Análisis e Implementación de un Sistema Artificial de

Aprendizaje basado en el Proceso Cognitivo del Cerebro

Humano
J. A. Ríos Chávez1, M. F. Carrillo Ocampo2, M. I. Cházaro Hernández3
Licenciaturas Ejecutivas, Universidad del Valle de México Campus Tlalpan
Av. San Juan de Dios, ex - hacienda de San Juan, 14370, D.F.
1
juan.riosc@uvmnet.edu, 2mercedes.carrillooc@uvmnet.edu, 3marcela.chazarohe@uvmnet.edu

Resumen-. Este artículo presenta el análisis y la implementación de un Ahora bien, ¿cuál es la metodología que siguen las neuronas para generar
sistema artificial de aprendizaje que basa su funcionamiento en el proceso un proceso de aprendizaje? Para comenzar, el aprendizaje es un proceso que
cognitivo del cerebro humano. El sistema propuesto es capaz de aprender y requiere la interconexión de una red de neuronas ya que es imposible que
memorizar, mediante un entrenamiento, algún patrón y posteriormente le es éste sea generado en una sola.
posible reconocerlo aun cuando existan algunas variantes en lo que pretende
usar para el reconocimiento. Para el diseño del sistema se utilizó la teoría
computacional de redes neuronales artificiales, además de la plataforma
multitarea MATLAB©.

Palabras Clave- Aprendizaje, Cerebro Humano, Cognición, Red Neuronal,

Sistema Artificial.

I. Introducción

En primera instancia, debemos definir el aprendizaje. El aprendizaje es un

cambio relativamente permanente en las asociaciones o representaciones
mentales como resultado de una experiencia [1].

Sin embargo, el concepto de aprendizaje significativo engloba algunas

particularidades más. Cuando se habla de aprendizaje significativo, existe
una referencia a la creación de nuevas redes neuronales y sincronías entre
las mismas, lo que permite actualizar los conocimientos basados en
experiencias vividas. Dicho proceso es llevado a cabo una vez que el
cerebro ha sido estimulado para pensar[2].

El proceso de aprendizaje en el cerebro humano tiene cabida inicial en las

neuronas. Las neuronas están compuestas por un cuerpo celular, dendritas
y axones y su función principal es la de procesar la información, transportar
las señales químicas y eléctricas en la dirección destino. Es necesario hacer
una analogía de la composición de una neurona humana con respecto a la
neurona artificial para así dar inteligencia a las máquinas.
A continuación, son definidas las funciones de cada uno de los componentes
de una neurona humana.
Fig. 1 Cómo se conectan las neuronas: Axón-sinapsis-dendritas son vías
eléctricas-químicas-eléctricas [3]
A ciencia cierta, no existe una explicación del cómo sucede el aprendizaje
en el cerebro humano. Sin embargo, existe una hipótesis surgida mediante
experimentación.

 Cuerpo celular: Es capaz de producir movimiento, sin embargo,
por lo general permanecen estables y estimulan a los axones para
que sean extendidos hacia afuera y formen otras conexiones con
sus símiles.
 Dendritas: Son las encargadas de establecer contacto sináptico
(unión con firmeza) con las terminales de otra neurona y así
enviar impulsos nerviosos (órdenes del cerebro) a través de los
denominados neurotransmisores.
 Axón: Es quien permite la transmisión de la información en
forma de estimulación eléctrica y además sirve como transporte
de sustancias químicas involucradas.
El proceso comienza cuando algún tipo de estímulo aparece en el cerebro.
Dicho estímulo puede ser interno mediante una lluvia de ideas producida
por una lectura o quizás por la interpretación de la solución de un problema
matemático, también puede ser con base en una vivencia nueva como puede
ser aprender a andar en bicicleta. El cerebro humano es capaz de detectar
cuando estamos haciendo algo nuevo o algo que ya sabemos hacer, si esto
último ocurre se genera un reforzamiento en las vías neuronales. El proceso
es el siguiente[3]:
1. La información es captada por nuestros sentidos o, quizás, puede
ser activada por el pensamiento o la memoria (si partimos de
algún conocimiento previamente adquirido).

1
 2. La información es orientada al tálamo (filtro que permite delinear
el camino que deben seguir las entradas sensoriales).
3. Si la información es de emergencia, será enviada a la amígdala y
ésta responderá de manera inmediata.
4. Después de haber sido procesada, la información es enviada al
hipocampo donde será retenida en el tiempo (memoria)
5. El hipocampo se encargará de asociar lo retenido, a través de
recuerdos, con otras áreas de la corteza cerebral para así generar
un almacenamiento longevo.
Análogamente, podemos considerar a las redes neuronales como sistemas
probabilísticos adaptables, que al igual que el cerebro humano, son
clasificadas como memorias auto asociativas. El término anterior es referido
a la acción de aprendizaje que tiene el humano para entender alguna
situación o aprender de ella. El proceso natural de cognición le permite al
humano percibir y memorizar patrones para posteriormente reconstruirlos
generando una auto asociación entre lo ya memorizado y lo que se le
presenta. Las redes neuronales son herramientas que nos permiten recrear
dicho proceso de cognición para así poder implementar inteligencia en
máquinas.
Las redes neuronales tienen básicamente dos componentes[4]:
 Neurona artificial
 Interconexiones
Una neurona artificial es un procesador elemental ya que se encarga de
manipular la información de entrada para posteriormente producir una
salida. Una interconexión es el espacio físico que permite la sinapsis (unión)
entre una neurona y otra con la finalidad de intercambiar información.
Una red neuronal artificial tiene tres etapas de procesamiento:
 Capa de Entrada (Sensor de recepción)
 Capa Oculta (De procesamiento)
 Capa de salida (Ejecución)
En la capa de entrada se reciben los datos que serán procesados, son los
parámetros iniciales a considerar. La capa media es denominada oculta
debido a que es dónde los cálculos de procesamiento son realizados y no es
vista por los usuarios. La capa de salida es la que genera una respuesta
dependiente de las órdenes de entrada, es decir, es donde los estímulos de
entrada repercuten en una determinada acción.
Fig. 1 Diagrama genérico de una neurona artificial
Matemáticamente son consideradas como una estructura interconectada que
son capaces de cumplir una función de control mediante una función de
activación. Como resultado de dicha función de activación, podemos medir
el aprendizaje significativo a la primera iteración o a las “n” veces haciendo
uso de un criterio de convergencia. Cuando el criterio de convergencia se
cumpla, podemos concluir que el aprendizaje de la red neuronal sí resultó
significativo, en caso contrario no existe tal aprendizaje.
El diagrama de la figura 1 muestra una neurona artificial que simula las
partes constitutivas de una neurona humana. A la entrada podemos ver las
señales que emulan a las dendritas (sensores que se activan cada vez que
existe un estímulo), posteriormente vienen las conexiones que sirven para
asignar un peso a cada señal de entrada con la finalidad de darles una
prioridad; después son unidas para construir el cuerpo de la neurona y
posteriormente pasan a una etapa de decisión en la que una función de
activación será la encargada de validar lo que la neurona ha aprendido
respecto a lo que se pretende evaluar.
El algoritmo implementado cumple con las características antes
mencionadas y con un criterio de estabilidad considerable debido a que el
entrenamiento permite un reconocimiento exitoso a la salida.
El algoritmo se rige bajo un principio de la memoria humana, con el paso
de los años la memoria sufre un deterioro, pero, aun así, los conocimientos
bien aprendidos permanecen intactos. Análogamente con el
comportamiento humano, así existan factores externos que intenten
deteriorar el funcionamiento óptimo, el algoritmo es capaz de adaptarse y
seguir mostrando un aprendizaje significativo.
La teoría de la red neuronal de Hopfield es recurrente y completamente
conectada. Funciona como una memoria asociativa no lineal que puede
almacenar internamente patrones presentados de forma incompleta o con
ruido (señales de interferencia). De esta forma puede ser usada como una
herramienta de optimización. El estado de cada neurona puede ser
actualizado un número indefinido de veces, independientemente del resto
de las neuronas de la red.
La red de Hopfield consiste en un conjunto de N elementos de procesado
interconectadas que actualizan sus valores de activación de forma asíncrona
e independiente del resto de los elementos de procesado. Todos los
elementos son a la vez de entrada y salida. Los valores de activación son
binarios.
Fig. 2 Diferentes formas de representar a la letra “a” minúscula.
La figura 2 nos muestra las diferentes formas de expresar a la letra “a”
minúscula pero que, sin embargo, la interpretación es la misma no
importando cómo sea escrita. Lo anterior, el cerebro lo procesa y compara
hacia un patrón universal mediante un proceso cognitivo, ya que desde
siempre ha visto diferentes formas de expresar la misma letra en los medios
impresos. El algoritmo que fue implementado en este artículo permite lo
anterior, reconocer mediante aprendizaje artificial sin importar las posibles
2
variantes que puedan aparecer. A continuación, se muestra un ejemplo en el que se pide diseñar una red de
aprendizaje artificial que permita memorizar dos patrones (haciendo una
A continuación, son detallados los pasos a seguir para la implementación analogía al aprendizaje significativo) para que, posteriormente, se haga una
del algoritmo en la plataforma MATLAB©. prueba con patrones “contaminados” pero que el sistema sea capaz de
reconocer lo que se está probando. Los patrones a entrenar son los
siguientes:
II. Desarrollo

Un algoritmo de aprendizaje artificial [5] debe ser capaz de eliminar el ruido

impulsivo tipo “sal y pimienta” (nombrado así porque, así como la sal y la
pimienta, son elementos extras a lo que se pretende analizar). En concreto,
el algoritmo debe calcular la correlación que existe entre los patrones de
entrenamiento de análisis y que serán almacenados en una matriz de datos A = [-1 -1 1 1] B = [1 1 -1 -1]
denominada como matriz de pesos.
En el ejemplo propuesto, los cuadros iluminados pueden ser representados
La matriz de pesos aloja las ponderaciones de los datos a aprender, con un “-1” y los cuadros vacíos con un “1”. Dicha notación es denominada
análogamente con el cerebro humano, podemos decir que es la memoria que una notación bipolar ya que tenemos el mismo dígito, pero con distinto
guarda algo que ya ha sido aprendido y que permite que reconocer o realizar signo.
algo ya aprendido.
Paso 1. Calculamos la matriz de pesos, la matriz de pesos tendrá 16 valores
A continuación, son mostradas las ecuaciones a seguir de acuerdo con el para este ejemplo ya que tenemos cuatro elementos por patrón de entrada y
diagrama genérico y la analogía con una neurona humana mostrado en la la resultante es una cuadrática.
figura 1.
𝑤11 𝑤12 𝑤13 𝑤14
𝑤21 𝑤22 𝑤23 𝑤24
1. La matriz de pesos viene definida por: 𝑊𝑖𝑗 = [𝑤
31 𝑤32 𝑤33 𝑤34 ]
1 𝑤41 𝑤42 𝑤43 𝑤44
∑𝑀 𝐶 𝑠 ∗ 𝐶𝑗𝑠 𝑐𝑢𝑎𝑛𝑑𝑜 𝑖 ≠ 𝑗
𝑤𝑖𝑗 = {𝑁 𝑖=1 𝑖 …………………………… (1)
0 𝑐𝑢𝑎𝑛𝑑𝑜 𝑖=𝑗 Existe una particularidad, según la ecuación 1 si los subíndices son iguales
(como en el caso de 𝑤11 , 𝑤22 , 𝑤33 , 𝑤44 ) el peso será nulo, es decir “0”. Por
Donde: lo tanto;

𝑤11 , 𝑤22 , 𝑤33 , 𝑤44 = 0

M = es el número de ejemplares del conjunto.
𝐶𝑖𝑠 = Es la componente i-ésima del vector del conjunto de ejemplares. Para calcular los valores restantes sabemos que N =4 ya que cada patrón de
N = longitud del vector. aprendizaje tiene 4 elementos, además, la primera pareja de paréntesis
corresponde a los elementos 1 y dos respectivamente del primer patrón y la
2. Los estados de la red son inicializados, es decir, que se inicializan segunda pareja corresponde a los elementos 1 y 2 respectivamente pero
cada una de las neuronas con el estado que corresponda, ahora del segundo patrón. A continuación, los cálculos son detallados:
análogamente, inicia el proceso de sinapsis.
1 1
3. Se realizan iteraciones hasta que los resultados sean visualizados 𝑤12 = ((−1)(−1) + (1)(1)) =
4 2
mediante una convergencia (criterio de estabilidad) utilizando:
1 1
𝑤13 = ((−1)(1) + (1)(−1)) = −
4 2
𝑦 = 𝑓𝑛 (𝑤𝑖𝑗 ∗ 𝑋 𝑇 ) …………………………………………..................... (2)
1 1
𝑤14 = ((−1)(1) + (1)(−1)) = −
Donde: 4 2

Y = es la salida a evaluar 1 1
𝑤21 = ((−1)(−1) + (1)(1)) =
fn = función no lineal a utilizar (decisión) 4 2
Wij = Matriz de pesos de conexión
XT = Vector de entrada a evaluar 1 1
𝑤23 = ((−1)(1) + (1)(−1)) = −
4 2
4. Se observa si existe una convergencia cuando la condición es:
1 1
𝑤24 = ((−1)(1) + (1)(−1)) = −
𝑦(𝑛 − 1) = 𝑦(𝑛)………………………………………………………. (3) 4 2

Si la anterior condición es exitosa, el aprendizaje ha concluido. En caso 1 1

𝑤31 = ((1)(−1) + (−1)(1)) = −
contrario, c) debe ser iterada hasta que se cumpla d). Es como cuando el 4 2
humano quiere aprender algo que no domina, practica hasta que ya sea
1 1
capaz y una vez llegado a ese punto ya no se le olvidará (criterio de 𝑤32 = ((1)(−1) + (−1)(1)) = −
convergencia). 4 2
1 1
𝑤34 = ((1)(1) + (−1)(−1)) =
4 2

3
 1 1 Evaluando la matriz resultante tenemos:
𝑤41 = ((1)(−1) + (−1)(1)) = −
4 2
1 3 1 1
1 1 𝑦 = 𝑓𝑛 ([− − ])
𝑤42 = ((1)(−1) + (−1)(1)) = − 2 2 2 2
4 2
𝑦 = [−1 −1 1 1]
1 1
𝑤43 = ((1)(1) + (−1)(−1)) =
4 2 Que como vemos corresponde al estado inicial que pertenece al valor “A”.
Es decir, el patrón que introdujimos como prueba lo reconoció como una
La matriz de pesos resultante será: “A”. Ahora es viable que implementemos el algoritmo en la plataforma
MATLAB©.
1 1 1
0 − −
2 2 2
1 1 1
0 − −
𝑊𝑖𝑗 = 2 2 2
1 1 1
− − 0
2 2 2
1 1 1
−
[ 2 − 0 ]
2 2

Paso 2. Se procede a hacer la prueba de aprendizaje, en esta prueba se

pondrán a verificar valores “contaminados” o “distorsionados” pero el
algoritmo será capaz de reconocer a cuál de los dos valores entrenados
(aprendidos) corresponde el de prueba. Por ejemplo, probaremos:

Prueba = [-1 1 1 1]

Como podemos ver, el patrón de prueba tiene mayoría de elementos

similares al patrón de entrenamiento “A”, por lo que el algoritmo debe
arrojarnos que este parón corresponde al patrón de entrada “A”. Veamos la
prueba; según la ecuación 2, debemos multiplicar la matriz de prueba por la
matriz de pesos anteriormente calculada (para multiplicar matrices debemos
hacerlo renglón por columna):

1 1 1
0 − −
2 2 2
1 1 1
0 − −
2 2 2
[-1 1 1 1] * 1 1 1 =
− − 0
2 2 2
1 1 1
[− 2 −
2 2
0 ]

1 1 1 1 1 1 1 1 1 1 1 1
= [0 + − − − +0− − − +0+ − + + 0] =
2 2 2 2 2 2 2 2 2 2 2 2

1 3 1 1
= [− − ]
2 2 2 2

Paso 3. Evaluamos la matriz resultante a través de una función de activación

(análogamente con el cerebro humano hablamos de una sinapsis). La Fig. 4 Programa codificado en la plataforma MATLAB© que representa el
función de activación que usaremos será la función escalón, gráficamente: proceso cognitivo del cerebro humano.

El programa tiene tres partes: la primera es la fase de aprendizaje en la que

Fig. 3 Función de activación escalón. Si los valores de la matriz resultante
son mayores o iguales a cero, se arrojará un “1”, en caso contrario un “-1”.
le decimos al algoritmo qué es lo que va a aprender de manera artificial, la
segunda parte consiste en el proceso del cálculo de la matriz de pesos,
recordemos que dicha matriz nos ayuda a reforzar lo que se está aprendiendo
y, por último, la tercera parte es el proceso de reconocimiento de un patrón
de prueba. Al ejecutar el algoritmo obtenemos lo siguiente:

4

Fig. 5 Ejecución del algoritmo implementado en la plataforma MATLAB ©
En la figura 5 podemos apreciar la ejecución del algoritmo de
procesamiento de la cognición del cerebro humano. Al inicio solicitamos
los patrones que deseamos que aprenda de forma artificial, después calcula
la matriz de pesos que nos servirá para el reconocimiento y por último
evaluamos algún patrón “X” para que el algoritmo cree la sinapsis y nos
diga a cuál patrón aprendido corresponde. Cabe mencionar que “g” es la
matriz resultante después de la función de activación.
Para ejecutar el algoritmo de una manera más cómoda hacia el usuario, una
interfaz gráfica de usuario (GUI) fue diseñada. La figura 6 muestra la
ventana principal.
Fig. 6 Interfaz Gráfica de Usuario (GUI) implementada en la plataforma
MATLAB©
La interfaz gráfica consta de un apartado para introducir los patrones de
aprendizaje, un apartado para introducir los patrones de prueba y el apartado
en donde nos arroja el resultado.
Existen dos maneras de introducir los datos, tanto patrones de aprendizaje
como patrones de prueba, puede ser escribiendo directamente la matriz de
datos o convirtiendo un archivo a una matriz y cargarlo directamente con el
botón “Seleccionar Archivo”. El archivo que se carga es un documento
compuesto por “1’s y “-1’s” en formato .txt y puede ser una imagen, un
texto o muestras de audio que pretendemos que el sistema aprenda.
La figura 7 muestra un ejemplo del uso de la interfaz. Usaremos el ejemplo
que fue desarrollado anteriormente.
Fig. 7 Ejemplo de uso de la interfaz, reconoce el patrón “A”
En la figura 8 es mostrado el proceso de la GUI que permite un
reconocimiento del patrón aprendido “B”.
Fig. 8. Ejemplo de uso de la interfaz, reconoce el patrón “B”
Otro punto importante consiste en validar de forma matemática cuál es la
correlación existente entre el patrón aprendido y el patrón que será usado
como prueba. Para lo anterior, hacemos uso del cálculo del coeficiente de
correlación y seguimos el siguiente procedimiento:
1. Se calculan las medias aritméticas
Sabemos que:
𝐴 = [−1 − 1 1 1]
𝐴′ = [−1 1 1 1]
La media aritmética para el patrón original A y para el patrón de prueba A’
será calculada evaluando el promedio de los datos que se muestran para los
patrones originales, a continuación el cálculo es mostrado:
5
 (−1) + (−1) + (1) + (1) [2] Miguel M. M., La mirada creativa y el aprendizaje significativo, Mc.
𝐴̅ = =0 Graw Hill, México, 2013.
4
(−1) + (1) + (1) + (1) 1 [3] Jensen Eric, Cerebro y aprendizaje, competencias e implicaciones
̅ =
𝐴′ = = 0.5
4 2 educativas, Narcea Ediciones, Madrid, España 2004.

2. El siguiente paso es calcular la covarianza de los datos. [4] James A. A., Redes Neurales, Alfaomega, 2007.

∑ 𝐴𝐴′
𝜎𝐴𝐴′ = − (𝐴̅𝐴̅′) ………………………………………. (4) [5] Hilera J., et. al., Redes Neuronales Artificiales, Alfaomega, México,
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝐷𝑎𝑡𝑜𝑠 2010.
[(−1)(−1) + (−1)(1) + (1)(1) + (1)(1)]
𝜎𝐴𝐴′ = − (0)(0.5)
4

𝜎𝐴𝐴′ = 0.5

3. Calculamos las desviaciones para cada patrón, tanto como para

el de aprendizaje como para el de prueba.

(∑ 𝐴)2
𝜎𝐴 = √ − (𝐴̅)2 ……………………………………… (5)
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠

(∑ 𝐴′)2
𝜎𝐴′ = √ ̅ )2 ……………………………………… (6)
− (𝐴′
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠

[(−1)2 + (−1)2 + (1)2 + (1)2 ]

𝜎𝐴 = √ − (0)2 = 1
4

[(−1)2 + (1)2 + (1)2 + (1)2 ]

𝜎𝐴′ = √ − (0.5)2 = 0.8660
4

4. Calculamos el coeficiente de correlación

𝜎𝐴𝐴′
𝑟= …………………………………………………………….. (7)
𝜎𝐴 𝜎𝐴′

0.5
𝑟= = 0.57
(1)(0.8660)

Podemos apreciar que el coeficiente de correlación es 0.57, resultado que

indica una correlación parcialmente fuerte del patrón de prueba con el
patrón original. Lo anterior es lógico debido a que el patrón de prueba NO
es exactamente el patrón original, es decir, tiene variantes.

III. Conclusiones

Como resultado de la investigación estadística presentada, es posible

mencionar que el algoritmo implementado realiza un aprendizaje
significativo tal y como lo haría el cerebro humano. Crea las conexiones
sinápticas necesarias para memorizar los datos que le son suministrados. La
correlación obtenida entre el patrón original y el patrón de prueba es óptima
y nos presenta una correlación fuerte, tal que, es posible que el algoritmo
pueda ser implementado en máquinas para el control de un proceso
autónomo y rutinario, para análisis de imágenes biomédicas en el
reconocimiento de la estructura de algún cuerpo, etc.

IV. Referencias

[1] Ormrod J. E., Aprendizaje Humano, Pearson Prentice Hall 4ta. edición,
Madrid, España, 2005.