Propuesta de implementación y simulación de modelos basados en sinapsis dinámica

Olmedo, Alvaro ⁽¹⁾ y Chang, Oscar ⁽²⁾

⁽¹⁾ Universidad Central de Venezuela,

⁽²⁾ UNEXPO Luís Caballero Mejías olmedokenpo@gmail.com

Resumen

Las Redes Neuronales tradicionales no han resuelto algunos problemas en el campo del tratamiento de señales no estacionarias y altamente no lineal como el problema del reconocimiento de la voz. En este sentido, presentamos una propuesta de implementación y simulación de una Sinapsis Dinámica que permite ambientar la neurona biológica, específicamente los fenómenos de depresión y/o facilitación ocurridos en el nudo sináptico producto de la realimentación neuronal de pulsos, dando la capacidad a estas células de auto-modularse, es decir, modificar una secuencia de pulsos que excite a esta estructura biológica y dotando así al hombre en su habilidad de reconocer cosas. Para probar el modelo, se experimentó con secuencias dependientes del tiempo, concretamente palabras habladas en español, procesadas mediante la modulación Doble Delta, emulando de esta forma, los impulsos que excitan a las células humanas. Al final del estudio realizado se comprueba que el modelo construido fue capaz de responder con una secuencia de pulsos diferentes para cada secuencia de entrada, verificándose que dichas respuestas son afines sólo en secuencias (palabras) similares independientemente de quien las diga; siendo este hecho lo más importante y que sin lugar a dudas permitirá en investigaciones futuras desarrollar sistemas de clasificación y/o reconocimiento.

Palabras Claves: Redes Neuronales Dinámicas/ Sinapsis Dinámica/ Reconocimiento de voz/ Simulación.

Proposal for implementation and simulation of models based on dynamic sinapse

Abstract

Some problems in the field of non-stationary and highly non-lineal sign processing, such as voice recognition, have not been solved by traditional neural network. This proposal for implementation and simulation of a dynamic sinapse is offered to have a background for the biological neuron, specifically depression and facilitation phenomena ocurred in the sinaptic knot as a product of pulse neuronal feedback giving these cells the capacity of self modulating, that is, changing the pulse sequence that excite this biological structure and also giving man the ability to recognize things. To test the model, some timedepending sequences like Spanish spoken words were experimented. They were processed through a Double Delta modulation to emulate the impulses that excite human cells. This study shows the model efficiency to answer with a different pulse sequence to each input sequence. It was verified that the answers are similar for equal sequences (words) no matter who pronunces them. This is the most important fact and there is no doubt it will contribuye to develop classification and recognition systems in future studies.

Key words: Dynamic Neural Networks/ Dynamic Sinapse/ Voice Recognition/ Simulation.

I. INTRODUCCIóN

Las redes neuronales ampliamente estudiadas desde los años 50 hasta la actualidad, han demostrado ser una herramienta poderosa para la solución de problemas analíticamente complejos, sin embargo, estos modelos desarrollados a partir de estudios hechos sobre el cerebro humano o neurociencia y que permiten aprovechar el conocimiento obtenido hasta ahora sobre los procesos (químico-eléctrico) biológicos en las neuronas [1], [6], [8], no han resuelto algunos problemas en el campo del reconocimiento de la voz, debido básicamente a que dichos estudios proponen estructuras neuronales artificiales capaces de aprender cierta conducta mediante el ajuste sistemático de valores o pesos en un entrenamiento con secuencias de señales de voz previamente tratadas; luego estos pesos, permanecen constantes, manteniéndose estáticos durante el procesamiento de la señal de voz a tratar y no toma en cuenta su dinámica [2], la cual posee variaciones amplitudtiempo.

Para citar un ejemplo entre las redes neuronales tradicionales que más resultado ha tenido en el campo del reconocimiento de la voz, están las Back-Propagation [6], [9], [10], sin embargo como se dijo anteriormente existen muchos problemas no resueltos en el tratamiento de señales no estacionarias y altamente no lineal como la voz [2], debido principalmente a:

• Las redes neuronales de este tipo proponen estructuras que son capaces de aprender ciertas conductas, mediante el ajuste de los pesos en un entrenamiento.

• Luego estos pesos permanecen constantes, manteniéndose estáticos durante el procesamiento de la señal a tratar, sin tomar en cuenta la dinámica de la señal de voz.

• Las estructuras permiten el procesamiento de secuencias finitas en forma paralela.

• En la mayoría de las aplicaciones que involucran procesos dinámicos como el tratamiento de señales de voz, se ha tenido que resumir dicha dinámica en una representación espacial, perdiéndose buena parte de la información relevante y luego esta representación final es introducida en la red en paralelo.

A fin de ser mas claro, se explica que en la aplicación desarrollada en esta investigación se grabaron las palabras ARRIBA, ABAJO, DERECHA e IZQUIERDA. Cada una de estas palabras ocupa un espacio entre las 10 y 20 mil muestras. Si se usara una red Back-Propagation se tendría que resumir a un espacio entre 10 y 100 muestras dependiendo la técnica que se use [3], [4], [5], de lo contrario la red a diseñar seria muy grande y la gestión de cálculo seria muy lenta.

En el sentido de resolver esta dificultad, se investiga un nuevo concepto en redes neuronales, llamada Sinapsis Dinámica (Dinamic Sinapse) [2], [7], [11]. Este concepto permite describir los procesos de depresión y facilitación de los pulsos que ingresan a una neurona biológica, los cuales (procesos) son aprovechados para tratar la naturaleza dinámica de cualquier señal con variaciones temporales.

Según esto, se desarrolla en este estudio un modelo computacional de la Sinapsis Dinámica mediante el lenguaje de programación de MATLAB, logrando ambientar la actividad de la neurona biológica, específicamente su activación propiciada por los pesos sinápticos (depresión y/o facilitación). Entendiendo que esta activación permite modular los pulsos que excitan a la célula neuronal, dando así una forma de control sobre su propia descarga final.

Este modelo se probó mediante una aplicación para el reconocimiento de palabras, específicamente los comandos ARRIBA, ABAJO, DERECHA e IZQUIERDA, demostrando que la propuesta de la Sinapsis Dinámica puede dar solución a problemas dentro del campo del reconocimiento especialmente los asociados al distanciamiento temporal como la voz humana.

El estudio realizado se logró bajo la aplicación de la metodología del prototipo evolutivo, permitiendo así trazar el plan de acción que contempla cinco momentos para el desarrollo de esta investigación, estos son: la identificación del problema, la preparación de los datos, el diseño de la arquitectura, el entrenamiento y/o ajuste y por último las pruebas, validación y análisis de los resultados y se detalla en el presente trabajo comenzando por describir el cerebro humano, específicamente su función y partes que lo conforman, discutiendo por supuesto sobre la sinapsis biológica y así se logra definir la Sinapsis Dinámica y su modelo simplificado operativo. Luego se explica el modelo computacional desarrollado, así como las pruebas hechas y resultados obtenidos. Finalmente se escriben las conclusiones derivadas del análisis para esta investigación y se presentan las referencias bibliográficas consultadas.

II. DESARROLLO

1. La neurona biológica

El cerebro humano está estructurado básicamente por neuronas [6], [8] y la interconexión de estas estructuras biológicas le da a este órgano la capacidad de controlar las funciones vitales del cuerpo humano. Se cree que muchas de estas funciones ya están predefinidas o programadas al momento de nacer, pero otras (funciones) se adquieren mediante un proceso de entrenamiento durante el desarrollo de nuestras vidas.

Además de estas funciones vitales, el hombre puede desarrollar ciertas habilidades tales como: reconocer cosas, reconocer voces, figuras, puede saltar, jugar e incluso aprender tareas complejas a tal punto que podemos alcanzar la capacidad de pensar y discernir.

Este proceso de adaptación del hombre a diferentes estímulos se debe como se menciona en el párrafo anterior, a que la estructura cerebral es entrenable, es decir, puede aprender mediante mecanismos propios de autoadaptación, ya que el sistema nervioso es una asociación de unidades discretas (neuronas) y la interconexión entre ellas permiten al hombre resolver problemas que van desde tareas simples hasta tareas complejos.

Para tener una idea más clara sobre esta estructura (neurona), se va a realizar una descripción de sus partes más importantes (ver Figura 1):

1. Cuerpo Celular: Contiene el núcleo y es el encargado de realizar las actividades metabólicas de las neuronas.

2. Dendritas: Son estructuras que parten del cuerpo celular. Se especializan en la recepción de señales (impulsos eléctricos) provenientes de otras células nerviosas.

3. Axón: Se encarga de la propagación de los impulsos a otras células nerviosas, es decir, lleva la salida de una neurona a las dendritas de otras neuronas.

Figura 1. Neurona Biológica

1.1 Sinapsis Neuronal

Las conexiones entre neuronas [6], [8], [9] bien sea entre el axón de una neurona y la dendrita de otra (ver Figura 2), entre dendritas, entre una neurona sensora y algún órgano, recibe el nombre de sinapsis, las cuales constituyen unidades para la conducción monodireccional de los impulsos nerviosos desde el axón de una neurona a la dendrita de la otra, debido a la liberación de un neurotransmisor (iones). A su vez, los impulsos nerviosos representan las unidades básicas de los procesos nerviosos, estos sirven como señales para la adquisición de información, el envío de instrucciones y el almacenamiento y/o recuperación de datos.

Figura 2. Sinapsis dinámicas formadas por dos o más neuronas

Ahora bien, en la sinapsis ocurre un proceso de conmutación debido a la realimentación de los pulsos viajeros que intentan activar a la neurona, dando el efecto excitatorio o inhibitorio sobre los pulsos que ingresarán a la estructura neuronal, eliminándolos o no según el tipo de realimentación y de esta manera se tiene un nuevo pulso como respuesta.

Esta realimentación de impulsos se logra gracias a que cada sinapsis está dotada de canales o conductos que según su largo y ancho (básicamente) pueden facilitar (ayudar) o depreciar (eliminar) un impulso que intenta excitar a la neurona para descargarla y así poder estimular otra neurona conectada (la descarga también es un impulso).

Este fenómeno de realimentación sináptica que posee la neurona, permite una forma de control sobre la activación de la propia neurona y logra al final modificar (modular) cualquier secuencia de impulsos que ingrese a la célula biológica.

Otro fenómeno que sucede y que es tomado en cuenta en el desarrollo de esta investigación, es el distanciamiento temporal periódico que la membrana sináptica permite (una forma de patrón) a todos los impulsos. Esto se debe a la hiperpolarización o despolarización que depende de las realimentaciones, provocando un cambio en la actividad neuronal y en la salida de la misma neurona.

Estos dos efectos, la realimentación y el distanciamiento temporal de pulsos se logran gracias a las características físicas del axón (largo y ancho) y a la membrana sináptica (tamaño del cayo sináptico) respectivamente.

Estudios sobre la anatomía del cerebro humano concluyen que hay más de mil sinapsis a la entrada y a la salida de cada neurona. Es importante anotar que aunque el tiempo de comunicación de la neurona (unos pocos milisegundos) es casi un millón de veces menor que en los actuales elementos de los computadores, ellas tienen una conectividad de miles de veces superior que los actuales supercomputadores.

1.2 Modelo de la Sinapsis Dinámica

La dinámica biológica neuronal observada en las realimentaciones y el distanciamiento temporal de pulsos en el nudo sináptico se modelaron computacionalmente. Las realimentaciones se simularon con pulsos retardados mediante la asignación de tiempos y tendrán la característica de facilitar o inhibir un pulso (pesos) que entra a la membrana sináptica. El distanciamiento temporal también se simulo mediante el retardo de tiempo que tienen los pulsos que pasan por la sinapsis. Estos efectos se desarrollan a continuación.

1.2.1 Facilitación de Pulso Apareado:

En la Figura 3 se muestra el efecto sináptico denominado facilitación, donde el pulso que ingresa a la neurona pasa a través de ésta para alcanzar una descarga o salida, pero inmediatamente se realimenta con un tiempo de retardo. Si este pulso realimentado coincide con otro pulso que entra (intenta excitar a la neurona) será facilitado, es decir, lo deja pasar.

Figura 3. Facilitación – realimentación simple.

1.2.2 Depresión de Pulso Apareado:

En la Figura 4 se muestra el efecto sináptico denominado depresión, donde el pulso que ingresa a la neurona pasa a través de ésta para alcanzar una descarga o salida y como en el caso anterior inmediatamente se realimenta con un tiempo de retardo. Si este pulso realimentado coincide con un pulso de entrada (que intenta excitar a la neurona) será depreciado, es decir, no lo deja pasar eliminándolo.

Figura 4. Depresión – realimentación simple.

Ahora bien, se podría tener una neurona con varios efectos sinápticos (Facilitación o Depresión) al mismo tiempo, tal como se observa en la Figura 5 donde la respuesta de la neurona a un tren de pulsos complejo depende en forma exquisita de la distribución espacio-temporal de la sinapsis dinámica, es decir, dependiendo los tipos de realimentaciones (F, D) se tiene en la salida de la neurona sináptica diferentes respuestas con más o menos pulsos modulados.

Figura 5. Facilitación y Depresión – realimentación compleja

1.3 Modelo Simplificado Operativo o FIFO.

El Modelo Simplificado Operativo que se muestra en la Figura 6 [2], desarrollado por Oscar Chang (FIFO: First Imput First Output) ha resultado ser útil por su simplicidad, pudiéndose resumir de la siguiente manera:

Figura 6. Modelo simplificado operativo

1. Cada sinapsis puede ser realimentado con elementos de facilitación y depresión.

2. Cada realimentación puede ocurrir a un tiempo diferente, dado por la característica espacial (longitud) del axón de realimentación.

3. Se asume que la neurona está muy cerca de su umbral de operación, por lo que los pulsos entrantes tienen un efecto casi inmediato en la salida.

4. La operación depresión tiene prioridad sobre la operación F.

5. Los decaimientos exponenciales a corta escala son tomados como pulsos constantes (ver Figura 7).

Figura 7. Pulso exponencial se modela como un pulso cuadrado.

1.4 Modelo Computacional de la Sinapsis Dinámica

El modelo computacional desarrollado en el ambiente de programación MATLAB permite ambientar la dinámica observada por investigaciones en Neurociencia, específicamente su activación debido a los pesos sinápticos. Este algoritmo emula el fenómeno de depresión y facilitación; procesos fundamentales para lograr la modulación de la neurona, modificando y/o caracterizando de esta forma la señal transmitida desde el entorno hacia la neurona y que al final ésta será la información que se desea procesar, reconocer, clasificar, eliminar, entre otros.

1.4.1 Factores de Diseño del Modelo Computacional de la Sinapsis Dinámica

Con el objeto de imitar lo más cercano posible las características biológicas descritas anteriormente, a continuación se detallan los factores que fueron considerados para la implementación de la sinapsis dinámica.

1.4.1.1 El Impulso Nervioso

A cada sinapsis llega un conjunto de impulsos distanciados temporalmente, que traen información recogida por los sensores del cuerpo humano del entorno o impulsos provenientes de la descarga de otra neurona con el fin de excitar a la neurona biológica para que ésta se adapte (aprenda) a la dinámica asociada a dicha señal, pudiendo luego procesar dicha información u otra relacionada a ésta. Estos pulsos de naturaleza química-eléctrica se representaron por palabras habladas en español, específicamente los sonidos: ARRIBA, ABAJO, DERECHA e IZQUIERDA, que fueron capturados con ayuda de un micrófono comercial, grabándose dichos sonidos con el software Microsoft Grabador de Sonidos Versión 5.1 del sistema operativo Microsoft Windows XP Profesional y luego se guardaron como archivos en forma de onda o formato (.wav), bajo la propiedad: PCM 11.025 KHz., 8 bits, mono.

Cada palabra se procesó, cambiando su formato de captura a un nuevo formato o archivo de datos plano, puesto que los programas para simular todo el sistema se realizarón en MATLAB. Luego se extrajo de cada palabra la secuencia significativa en el tiempo (sonido), eliminando el ruido producto de la captura y finalización durante el proceso de grabación. Después se procedió a realizar una modulación doble delta sobre cada muestra guardada, para convertir toda la secuencia sonora, en un tren variado de impulsos uniforme que simulan las señales que ingresan a la neurona. Esta modulación especial que se muestra en el diagrama esquemático de la Figura 8, se construyó a partir de un modulador delta, que funciona comparando una muestra cualquiera con la anterior y si es mayor inserta un uno (1) por dicha muestra. En el caso que sea menor la muestra anterior inserta un cero (0).

Figura 8. Modulador doble delta.

1.4.1.2 El Axón

El axón se especializa básicamente en pasar los pulsos que logran salir de una neurona a otra. Este conducto regula la velocidad de paso del impulso nervioso a través del largo y ancho que puede tener este canal de comunicación. Estas características (largo y ancho), se han simulado básicamente con el tiempo que tarde el pulso en recorrer toda la estructura de la neurona sináptica.

1.4.1.3 La Membrana Sináptica y su Realimentación Celular

Para que produzca una descarga la neurona sináptica debe superar un umbral y luego tendrá un tiempo de recuperación mientras restaura el desequilibrio electroquímico producido por la descarga. Este fenómeno se simuló efectivamente a través de la modulación propuesta, básicamente la forma en cómo se construyen los impulsos al insertarse un par de ceros por muestra, dándole esto el carácter de distanciamiento temporal.

Ahora bien, la membrana sináptica se recupera de su desequilibrio (hiperpolarización), dependiendo de las realimentaciones que activan su potencial variable (polarización), logrando así una nueva descarga. Estas realimentaciones modulan los impulsos que entran a la neurona de alguna forma, es decir, modifica la secuencia de pulsos que intentan ingresar eliminándolos o no según el tipo de realimentación (F, D) y de esta manera se tendrá una nueva secuencia de pulsos como respuestas.

Especialmente este factor, es muy importante ya que dota a la neurona en su capacidad de clasificar y/o reconocer. Como ejemplo: supongamos que se introduce una secuencia de impulsos uniforme. Si cambiáramos los pesos de dicha neurona siete veces, se tendrían los siete vectores de pulsos de salidas mostrados en la Figura 9.

Figura 9. Secuencia de entrada típica y diferentes secuencias de salida, para diferentes pesos en las realimentaciones.

Computacionalmente, este fenómeno se simuló mediante la asignación de un tiempo de retardo que da el efecto del distanciamiento temporal que tiene cada pulso que ingresa a una realimentación, creándose de esta forma una matriz de pulsos realimentados con características muy dinámicas (para cada instante es diferente), luego esta matriz es multiplicada por una matriz de pesos. Este resultado da el carácter facilitativo o depresivo de las realimentaciones, ya que su signo específicamente se usa para activar una función de saturación (para el caso de los experimentos realizados se uso la función tipo Hardlim), permitiendo así la descarga neural.

1.5 Construcción del Modelo Computacional de la Sinapsis Dinámica

Con todas estas especificaciones se procedió a la construcción computacional de la neurona sináptica en el ambiente de programación de MATLAB. Básicamente, es un programa que emula la dinámica descrita en el nudo sináptico y desarrollado como una función llamada pru_sin_ent_ns. A su vez, esta función fue construida en base a tres programas, los cuales son: función descarga_ns, función sinapsis_ns y función corre_salida. Cada una de estas funciones, realiza una tarea determinada para que la neurona computacional pueda lograr una descarga. La Figura 10 muestra un diagrama esquemático basado en la manera como interactúan entre si estas rutinas.

Figura 10. Diagrama esquemático del programa que simula la neurona de sinapsis dinámica.

La Tabla I muestra una descripción para cada una de las funciones que conforman el modelo computacional de la sinapsis dinámica.

Tabla I. Descripción de las funciones que conforman el Modelo Computacional de la Sinapsis Dinámica.

1.6 Prueba y Resultados del Modelo Computacional de la sinapsis dinámica

Para probar que la propuesta de simulación de la sinapsis dinámica funciona según el modelo teórico FIFO, es sometida a diferentes entradas. Estas entradas son básicamente una secuencia de impulsos (1 y 0) construidos con los sonidos ARRIBA, ABAJO, DERECHA e IZQUIERDA, los cuales fueron emitidos por un grupo de estudiantes escogidos sin ninguna preferencia de sexo ni de edad, además se aclara que los experimentos se realizaron sobre 30 neuronas construidas, donde la suma de sus pesos F y D van desde 6 hasta 30 realimentaciones.

Con los experimentos realizados, se demuestra efectivamente la capacidad de modular que tiene la sinapsis dinámica, ante los pulsos que ingresan a través de esta estructura neuronal artificial construida.

Se indica que el modelo fue examinado con un banco de 28 voces o palabras (sonidos: ARRIBA, ABAJO, DERECHA e IZQUIERDA), comprobándose una descarga o secuencia de pulsos diferente (Actividad Neural) para cada sonido utilizado como entrada. En la Tabla II, se muestra la actividad neuronal de 4 sinapsis diseñadas con 14, 7, 8 y 19 realimentaciones para 16 sonidos y donde se corrobora que para sonidos iguales, la descarga siempre es cercana en la mayoría de los casos, por ejemplo para el grupo de sonidos ARRIBA (Arriba, Arriba1, Arriba2) la descarga esta alrededor del 38.58 % y se aleja para el sonido Arriba3.

Tabla II. Porcentaje de Actividad Neural y Diferencias Mínimas encontradas.

Según esto, la modulación de pulsos realizada por la neurona sináptica puede servir para un proceso de clasificación y/o identificación, pues se observó que aunque cada descarga (Actividad Neural) está asociada a un porcentaje de impulsos diferente para cada secuencia procesada (sonido), siempre existe similitudes entre los grupos de sonidos de igual naturaleza, tal y como queda evidenciado en el cálculo de la mínima diferencia mostrada en la misma Tabla II y donde se nota que de los 16 sonidos, 12 de estos pueden ser claramente identificables como sonidos con la misma naturaleza sonora dentro de su grupo, dando un 75 % de actividad neuronal favorable para secuencias con naturaleza sonora semejante.

Para aclarar un poco más la forma como trabaja la neurona sináptica, se explica que los pulsos alojados en un vector de entrada de dimensión finita (5.000 a 10.000 muestras o pulsos) para un sonido en particular, excitan a la neurona sináptica y ésta debe responder con un vector de salida de igual dimensión que dicho vector de entrada, pero con una cantidad de 1 (pulsos) y 0 (ceros) diferentes, es decir, si la neurona funciona correctamente, ésta tiene que modificar el vector de entrada. A continuación se muestra la Figura 11 donde se explica el esquema que sigue la nueva neurona para conseguir la descarga.

Figura 11. Esquema que explica la forma como se excita la Neurona de sinapsis dinámica y su respuesta.

Este vector de entrada contiene la información que debe ser procesada (clasificada, reconocida, etc.), la cual pudiera o no estar contaminada con ruido. En el caso de la aplicación con voces, se pretende que las neuronas sinápticas identifiquen un comando (ARRIBA, ABAJO, DERECHA o IZQUIERDA) correctamente, para lo cual deben entrenarse y así al ser excitadas con el vector de impulsos que ingresa de dimensión (digamos) m, respondan con otro vector de dimensión n. Este vector de dimensión n debe ser menor que el vector m (n < m), lo que indica que la neurona sináptica ha eliminado algunos pulsos, modificando así el vector de entrada.

Si esto se normaliza, es decir, digamos que el número de pulsos que ingresan será el 100 %, como n es menor que m, entonces el número de pulsos que logran descargarse siempre será un porcentaje menor y diremos que la neurona ha tenido una actividad neural. Por ejemplo, si a una neurona ingresan 100 pulsos y sólo logran salir 60 pulsos, entonces tendremos un 60 % de actividad neural.

1.6.1 Medidor de Actividad Neural

Con estas especificaciones se construyó un medidor de actividad, este algoritmo cuenta los pulsos de la secuencia de entrada y los pulsos de la secuencia descargada (salida), para luego determinar según la expresión (1) el valor de la actividad neural.

Como puede verse matemáticamente, la actividad neural no es más que el cociente entre la cantidad de pulso que salen y la cantidad de pulso que entran, donde multiplicamos por 100 solo para expresar la cantidad en términos de porcentaje.

1.6.2 La Mínima Diferencia

Ahora bien, para identificar correctamente cierta secuencia, la neurona debe ajustar sus pesos para que responda a un porcentaje de actividad neural ante la secuencia. Cuando se le pase otra secuencia con características similares, la neurona debe tener una actividad neural cercana o igual al porcentaje descargado por la secuencia utilizada para el entrenamiento.

Pero, si se le pasa una secuencia con distintas características, la actividad neural debe alejarse del porcentaje encontrado para la secuencia de ajuste, es decir, la neurona en esta oportunidad ha respondido con un porcentaje diferente.

Aquí se introduce el concepto de la mínima diferencia, ya que una neurona entrenada y/o ajustada para una familia de secuencias con características similares, responderá con un porcentaje ligeramente diferente, y para otra familia con características distintas, entonces el porcentaje se alejará quedando reflejada las similitudes o discrepancias de cada secuencia en la mínima diferencia presentada entre la actividad neural de cada patrón y la actividad neural del patrón usado para el ajuste de la neurona, confirmando esto, que la actividad neural que más se acerque al porcentaje obtenido por el patrón de entrenamiento poseerá las mismas cualidades y quien se aleje no las compartirá.

Veamos otro ejemplo que aclare mejor este panorama. Si tenemos cuatro secuencias A, B, C y D las cuales no sabemos si poseen las mismas características, pudiéramos tomar una de ellas al azar, digamos A y entrenar una neurona, para lo cual se deben ajustar sus pesos y así propiciar cierta descarga ante esta secuencia, midiendo dicha descarga como un porcentaje de actividad neural.

Ahora bien, si pasamos el resto de las secuencias B, C y D, para cada una de estas, existirá un porcentaje de actividad neural. Aquellos valores (mínima diferencia) que más se acerquen al de A pudieran indicar una naturaleza similar y los que más se alejen no compartirían estas características (las de la secuencia A). Aquí estaríamos en presencia de un problema de clasificación.

1.7 Algoritmo para el entrenamiento de la neurona de sinapsis

Dinámica A fin de poder darle la capacidad de reconocer ciertas secuencias a la neurona de sinapsis dinámica, se desarrolló un programa que permite entrenar a dichas células artificiales y así lograr que recuerden características de la señal de entrada. Este proceso de entrenamiento ocurre en la neurona biológica y consiste básicamente en un cambio estructural y químico de los conductos axónicos que se encuentran en una configuración de realimentación celular.

Emulando este comportamiento, el entrenamiento pretende cambiar el valor de los pesos de realimentación y el tiempo de retardo de los pulsos retroalimentados que permiten la activación o no de los pesos. Y a través de este cambio estructural de los pesos y tiempos de retardos se logrará que la sinapsis tenga una alta actividad neural ante cierta secuencia y una baja actividad ante otra.

III. CONCLUSIONES

1. En esta investigación se desarrolla el concepto de la neurona de Sinapsis Dinámica, propuesto por Oscar Chang, que plantea el método: Modelo Simplificado Operativo; permitiendo describir los procesos de depresión y facilitación de los pulsos que ingresan a una neurona biológica.

2. Se desarrolla un modelo computacional de la neurona de Sinapsis Dinámica, este fue realizado en código de programación MATLAB, ambientando los procesos sinápticos de depresión y facilitación que permiten la desactivación o no de una neurona biológica.

3. Las pruebas realizadas demuestran efectivamente la capacidad de modular que tiene la sinapsis dinámica ante los pulsos que ingresan a través de esta estructura neuronal, puesto que se somete el modelo a un banco con 16 palabras (sonidos: ARRIBA, ABAJO, DERECHA e IZQUIERDA) y se comprueba una descarga de pulsos diferentes (Actividad Neural) que el vector de origen.

4. Esta modulación puede servir para un proceso de clasificación y/o identificación, pues se observó que aunque cada descarga (Actividad Neural) está asociada a un porcentaje de impulsos diferente en cada secuencia procesada (sonido), siempre existen similitudes entre los grupos de sonidos de igual naturaleza, esto se evidencia en el cálculo de la Mínima Diferencia.

IV. REFERENCIAS

1. Glorio Octavio.”Diseño de una Red Neural con Sinapsis Dinámica Capaz de Reconocer las Vocales del castellano”. Tesis. Universidad Simón Bolívar. 2004.        [ Links ]

2. Chang Oscar. “Redes Neuronales”. Trabajo no publicado. Universidad Simón Bolívar. 2003.        [ Links ]

3. Rufiner H. y Milone D. “Sistema de Reconocimiento Automático del Habla”. Ciencia, Docencia y Tecnología. Vol. 15, Nº. 28, 2004, pp. 151-177.        [ Links ]

4. Oropeza J. y Guerra S. “Algoritmos y métodos para el Reconocimiento de Voz en Español Mediante Silabas”. Computación y Sistemas. Vol. 9, Nº. 3, 2006, pp. 270- 286.        [ Links ]

5. Cruz L. y Acevedo M. “Aplicaciones del Reconocimiento de Voz de un Hablante Mediante una Red Neuronal Artificial Backpropagation y Coeficientes LPC Sobre un Canal Telefónico”. Programación Matemática y Software. Vol. 1, Nº. 1, 2006.        [ Links ]

6. Acosta B. Maria I. y Zuluaga M. Camilo A. “Tutorial Sobre Redes Neuronales Aplicadas en Ingeniería Eléctrica y su Implementación en un Sitio Web”. Tesis. Universidad Tecnológica de Pereira. Facultad de Ingeniería Eléctrica. Pereira 2000. Disponible en: http://ohm.utp.edu.co/neuronales/Download/Contenido.pdf         [ Links ]

7. Liaw J. y Berger T. “Dynamic Synapse: a new concep of neural representation and computation”. Hippocampus. Vol. 6, Nº. 6, 1996, pp. 591-600.        [ Links ]

8. Fraga E. y Fraga S. “Biomoléculas, Estudios Teóricos”.Editorial Alambra, S.A. 1976.        [ Links ]

9. Freeman J. y Skapura D. “Redes Neuronales. Algoritmos, aplicaciones y técnicas de programación”. Editorial Addison- Wesley/Diaz de Santos. 1993.        [ Links ]

10. Kosko B. “Neural Networks For Signal Processing”. Editorial Prentice Hall International Editions. 1992.        [ Links ]

11. Natschlager T., Maass W. y Zador A. “Efficient Temporal Processing With Biologically Realistic Dinamic Sinapses”. Network: Computation in Neural Systems. Vol. 12, Nº. 1. 2001. pp. 75-87.        [ Links ]