revisión

¿Qué son las redes neuronales artificiales?

Aplicaciones realizadas en el ámbito de las adicciones
PALMER POL, A*; MONTAÑO MORENO, J.J.**

* Prof. Titular del Departamento de Psicología. Universidad de las Islas Baleares.

** Becario. Departamento de Psicología. Universidad de las Islas Baleares.

Enviar correspondencia a:
Alfonso Palmer Pol. Universidad de las Islas Baleares. Departamento de Psicología. Cra. de Valldemossa, km. 7,5. 07071 Palma (Baleares). Teléfono 971173432.

Resumen: Abstract:

En el presente trabajo, se introduce al lector en el campo de In this paper, we introduce to the reader in the field of artifi-
las redes neuronales artificiales (RNA) –características genera- cial neural networks (ANN) –general features, architectures,
les, arquitecturas, reglas de aprendizaje, ejemplos ilustrativos y learning rules, illustrative examples and general applications—,
aplicaciones generales—, y se realiza una revisión de las aplica- and we review the applications carried out with this technology
ciones llevadas a cabo con esta tecnología en el campo de las in the field of addictive behaviors. Results of research show the
conductas adictivas. Los resultados de las investigaciones capacity of ANN in order to predict drug consumption, extract
demuestran la capacidad de las RNA para predecir el consumo prototype characteristics of addicted subjects and choose the
de drogas, extraer las características prototípicas del sujeto treatment most appropiate according to those characteristics.
adicto y seleccionar el tratamiento más adecuado en función de Although these studies are preliminary, the results can be quali-
esas características. Aunque tales estudios son preliminares, fied as very promising; so, ANN are a powerful tool for profes-
los resultados se pueden considerar prometedores, perfilándo- sional dedicated to field of addictive behaviors.
se las RNA como un potente instrumento al servicio del profe-
sional dedicado al campo de las conductas adictivas. Key words: artificial neural networks, drug addiction, predic-
tion, bibliographic review.
Palabras clave: redes neuronales artificiales; adicción a las dro-
gas; predicción; revisión bibliográfica.

INTRODUCCIÓN artificiales (RNA) en particular, han demostrado su uti-

lidad en la solución de problemas complejos. Así, las
l uso y abuso de sustancias comprende un con- RNA han sido utilizadas satisfactoriamente en la pre-

E junto de conductas complejas que son iniciadas,

mantenidas y modificadas por una variedad de
factores conocidos y desconocidos. El tipo de función
dicción de diversos problemas en diferentes áreas de
conocimiento —biología, medicina, economía, inge-
niería y psicología— (Arbib, 1995; Simpson, 1995;
o relación que se establece entre la conducta adictiva Arbib, Erdi y Szentagothai, 1997); con buenos resulta-
y los factores que la explican no se puede reducir a dos respecto a los modelos derivados de la estadísti-
una simple relación lineal de “causa-efecto” (Busce- ca clásica (Bonilla y Puertas, 1997; Duncan, 1997;
ma, 1997, 1998). Por tanto, si nos planteamos como French, Dawson y Dobbs, 1997; Jefferson, Pendleton,
objetivo la prevención y la predicción de este tipo de Lucas et al., 1997; Shekharan, 1997; Tommaso, Sci-
conductas, será necesario utilizar instrumentos capa- ruicchio, Bellotti et al., 1997; Vohradsky, 1997; West,
ces de manejar relaciones complejas o no lineales. Brockett y Golden, 1997; De Lillo y Meraviglia, 1998;
El reciente campo de la computación biológica — Jang, 1998; Waller, Kaiser, Illian et al., 1998). En el
que comprende las redes neuronales artificiales, los caso de las adicciones, estudios recientes, que se
algoritmos genéticos, las estrategias y programación describen más adelante, demuestran la capacidad de
evolutivas, los sistemas borrosos y la vida artificial las RNA para predecir el consumo de drogas, extraer
(Pazos, 1996)—, en general, y las redes neuronales las características prototípicas del sujeto adicto y

ADICCIONES, 1999 • VOL.11 NÚM. 3 • PÁGS. 243/255 243

seleccionar el tratamiento más adecuado en función Shepherd, 1990); es decir, el conocimiento se encuen-
de esas características. tra distribuido por las sinapsis de la red. Este tipo de
Con el presente trabajo nos proponemos introducir representación distribuida del conocimiento implica
al lector, de una forma sencilla, en el campo de las que si una sinapsis resulta dañada, no perdemos más
RNA y revisar las aplicaciones llevadas a cabo con que una parte muy pequeña de la información. Ade-
esta tecnología en el ámbito del estudio de las adic- más, los sistemas neuronales biológicos son redun-
ciones. dantes, de modo que muchas neuronas y sinapsis
pueden realizar un papel similar; en definitiva, el siste-
ma resulta tolerante a fallos. En este sentido, sabe-
mos que cada día mueren miles de neuronas en
REDES NEURONALES ARTIFICIALES nuestro cerebro, y sin embargo tienen que pasar
muchos años para que se resientan nuestras capaci-
Características generales dades. De forma análoga, en el caso de las RNA se
puede considerar que el conocimiento se encuentra
representado en los pesos de las conexiones entre
Las RNA son sistemas de procesamiento de la neuronas.
información cuya estructura y funcionamiento están
El tipo de representación de la información que
inspirados en las redes neuronales biológicas (Hilera y
manejan las RNA tanto en los pesos de las conexio-
Martínez, 1995). Consisten en un gran número de ele-
nes como en las entradas y salidas de información es
mentos simples de procesamiento llamados nodos o
numérica. Por ejemplo, un dato de entrada puede con-
neuronas que están organizados en capas. Cada neu-
sistir en un valor real continuo como la edad de una
rona está conectada con otras neuronas mediante
persona o puede consistir en un valor numérico dis-
enlaces de comunicación, cada uno de los cuales
creto o binario como el sexo de una persona codifica-
tiene asociado un peso. Los pesos representan la
do, por ejemplo, mediante: 0 = hombre, 1 = mujer.
información que será usada por la red neuronal para
resolver un problema determinado. En síntesis, podemos decir que las RNA se inspi-
ran en la estructura del sistema nervioso, con la inten-
Así, las RNA son sistemas adaptativos que apren-
ción de construir sistemas de procesamiento de la
den de la experiencia, esto es, aprenden a llevar a
información paralelos, distribuidos y adaptativos que
cabo ciertas tareas mediante un entrenamiento con
pueden presentar un cierto comportamiento inteligen-
ejemplos ilustrativos.
te (Martín del Brío y Sanz, 1997).
Mediante este entrenamiento o aprendizaje, las
Estas características contrastan con la estructura y
RNA crean su propia representación interna del pro-
funcionamiento de un ordenador convencional. Este
blema, por tal motivo se dice que son autoorganiza-
das. Posteriormente, pueden responder tipo de computadores son máquinas construidas en
adecuadamente cuando se les presentan situaciones torno a un único procesador (hardware) que ejecuta
a las que no habían sido expuestas anteriormente, es de un modo secuencial (paso a paso) un programa
decir, las RNA son capaces de generalizar de casos (software) almacenado en su memoria. Siguiendo
anteriores a casos nuevos. este esquema, los ordenadores convencionales pue-
den realizar importantes operaciones de cálculo y
Esta característica es fundamental ya que permite razonamiento lógico, de forma mucho más rápida y
a la red responder correctamente no sólo ante infor- eficiente que el cerebro. Sin embargo, existen proble-
maciones novedosas, sino también ante informacio- mas de difícil solución para un ordenador convencional
nes distorsionadas o incompletas.
que el cerebro resuelve eficazmente (Hertz, Krogh y
En las RNA el tipo de procesamiento de la informa- Palmer, 1991). Precisamente estos problemas son los
ción es en paralelo, en el sentido de que muchas neu- relacionados con el mundo real, los cuales están
ronas pueden estar funcionando al mismo tiempo. De caracterizados por un alto grado de complejidad,
hecho, nuestro cerebro está compuesto por unas 1011 imprecisión e incertidumbre como es el caso de la
neuronas, las cuales operan en paralelo. Es ahí donde toma de decisiones, el reconocimiento de patrones
reside una parte fundamental de su poder de procesa- como el habla, imágenes o caracteres escritos, etc..
miento. Aunque individualmente las neuronas sean
capaces de realizar procesamientos muy simples,
ampliamente interconectadas a través de las sinapsis La neurona artificial
(cada neurona puede conectarse con otras 10.000 en
promedio) y trabajando en paralelo pueden desarrollar Las neuronas biológicas (figura 1) se caracterizan
una actividad global de procesamiento impresionante. por su capacidad de comunicarse. Las dendritas y el
Biológicamente, se suele aceptar que el conoci- cuerpo celular de la neurona reciben señales de entra-
miento está más relacionado con las conexiones entre da excitatorias e inhibitorias de las neuronas vecinas;
neuronas que con las propias neuronas (Alkon, 1989; el cuerpo celular las combina e integra y emite seña-

244 ¿Qué son las redes neuronales artificiales?

les de salida. El axón transporta esas señales a los ter- general, una neurona recibe información de miles de
minales axónicos, que se encargan de distribuir infor- otras neuronas y, a su vez, envía información a miles
mación a un nuevo conjunto de neuronas. Por lo de neuronas más.

Figura 1. Estructura general de una neurona biológica.

Terminales
Cuerpo axónicos
celular

Axón

Dendritas

Por su parte, la neurona artificial pretende mimeti- denominada función de salida—, sobre la entrada
zar las características más importantes de la neurona neta, se calcula un valor de salida, el cual es enviado a
biólogica. En general, recibe las señales de entrada de otras neuronas (figura 2). Tanto los valores de entrada
las neuronas vecinas ponderadas por los pesos de las
conexiones. La suma de estas señales ponderadas a la neurona como su salida pueden ser señales exci-
proporciona la entrada total o neta de la neurona y, tatorias (cuando el valor es positivo) o inhibitorias
mediante la aplicación de una función matemática — (cuando el valor es negativo).

Figura 2. Funcionamiento general de una neurona artificial.

1 Entrada

Peso

Función Salida
2 Entrada neta de salida
(entrada neta)

N Neuronas j

Neuronas i

Palmer, A.; Montaño, J.J. 245

Arquitecturas sentará un rendimiento inferior frente al perceptrón
multicapa en tareas de clasificación que impliquen
relaciones no lineales complejas.
Las neuronas que componen una RNA se organi-
zan de forma jerárquica formando capas. Una capa o Por su parte, las redes monocapa están organiza-
nivel es un conjunto de neuronas cuyas entradas de das, como el propio nombre indica, en una sola capa
información provienen de la misma fuente (que puede de neuronas (en la figura 5 se muestra un ejemplo de
ser otra capa de neuronas) y cuyas salidas de informa- red monocapa). Cada neurona está conectada con
ción se dirigen al mismo destino (que puede ser otra todas las demás que forman la arquitectura. Este tipo
capa de neuronas). En este sentido, se distinguen tres de redes se suelen utilizar en tareas denominadas
tipos de capas: la capa de entrada recibe la informa- autoasociativas. Para ello, se almacena en los pesos
ción del exterior; la o las capas ocultas son aquellas de la red ciertas informaciones mediante una etapa de
cuyas entradas y salidas se encuentran dentro del sis- entrenamiento. Posteriormente, cuando se presenta
tema y, por tanto, no tienen contacto con el exterior; una información a la entrada de la red, ésta responde
por último, la capa de salida envía la respuesta de la proporcionando la información más parecida de las
red al exterior. almacenadas. Por tal motivo, las redes que llevan a
cabo este tipo de tareas también reciben el nombre
En función de la organización de las neuronas en la de redes autoasociativas ya que intentan asociar una
red formando capas o agrupaciones podemos encon- información consigo misma. Este tipo de redes son
trarnos con dos tipos de arquitecturas básicas: redes útiles para regenerar informaciones de entrada, por
multicapa y redes monocapa. ejemplo imágenes, que se presentan a la red incom-
Las redes multicapa disponen de conjuntos de pletas o distorsionadas.
neuronas agrupadas en dos o más capas. En la mayo-
ría de casos, este tipo de redes están formadas por
Aprendizaje
una capa de entrada, una capa de salida y una o más
capas intermedias u ocultas; donde la información se
transmite desde la capa de entrada hasta la capa de Como hemos visto, el conocimiento de una RNA
salida y donde cada neurona está conectada con se encuentra distribuido en los pesos de las conexio-
todas las neuronas de la siguiente capa (en la figura 4 nes entre las neuronas que forman la red. Todo proce-
se muestra un ejemplo de red multicapa). Las redes so de aprendizaje implica cierto número de cambios
multicapa se suelen utilizar en tareas denominadas en estas conexiones. En realidad, puede decirse que
heteroasociativas. De lo que se trata es que la red se aprende modificando los valores de los pesos de la
aprenda parejas de datos, de forma que cuando se red en respuesta a un conjunto de ejemplos denomi-
presenta cierta información de entrada A, deberá res- nado grupo de entrenamiento. Actualmente existen
ponder generando la correspondiente salida asociada muchos criterios para modificar los pesos de la red y
B. Por tal motivo, las redes que llevan a cabo este tipo así conseguir que aprenda a solucionar un determina-
de tareas también reciben el nombre de redes hetero- do problema; estos criterios se denominan, de forma
asociativas ya que intentan asociar pares de informa- genérica, reglas de aprendizaje. Las reglas de aprendi-
ciones distintas. Este tipo de redes son útiles para la zaje consisten generalmente en algoritmos matemáti-
clasificación de patrones –ya que, en este caso, se cos que pueden llegar a ser sumamente complejos.
asocia el ejemplo con la clase o categoría a la que per- Se suelen considerar dos tipos de reglas de aprendi-
tenece—, y la aproximación de funciones –donde se zaje: aprendizaje supervisado y aprendizaje no super-
asocia una información de entrada con otra informa- visado.
ción de salida. En el aprendizaje supervisado hay un “profesor” o
El tipo de arquitectura multicapa descrito se deno- supervisor que controla el proceso de aprendizaje de
mina perceptrón multicapa y ha sido el más amplia- la red. El supervisor comprueba la salida de la red en
mente utilizado en el campo aplicado. La utilidad del respuesta a una determinada entrada y en el caso de
perceptrón multicapa reside en su habilidad para ope- que la salida no coincida con la deseada, se procede a
rar como aproximador universal de funciones, es modificar los pesos de las conexiones, con el fin de
decir, este tipo de redes pueden aprender virtualmen- conseguir que la salida obtenida se aproxime a la
te cualquier relación entre un conjunto de variables de deseada. Este tipo de aprendizaje es muy útil para la
entrada y salida. Esta habilidad es el resultado de la clasificación de patrones y para la aproximación de
adopción, por parte de las neuronas de la capa oculta, funciones.
de una función de salida no lineal (Rumelhart y McCle- Con el aprendizaje no supervisado también deno-
lland, 1986; Masters, 1993; Smith, 1993; Rzempoluck, minado autoorganizado, la red no requiere influencia
1998). Por su parte, el análisis discriminante lineal de un “profesor” para ajustar los pesos de las cone-
derivado de la estadística clásica no posee la capaci- xiones entre sus neuronas. La red no recibe ninguna
dad de calcular funciones no lineales y, por tanto, pre- información por parte del entorno que le indique si la

246 ¿Qué son las redes neuronales artificiales?

salida generada en respuesta a una determinada alternada se va obteniendo el error que comete la red
entrada es o no correcta. Su función consiste en ante los datos de validación. Esto permite estimar el
encontrar las características, regularidades o categorí- error de generalización de la red –es decir, el error que
as que se puedan establecer entre los datos que se se comete ante patrones diferentes a los utilizados en
presentan en su entrada. Este tipo de aprendizaje se el entrenamiento—, a partir del error que comete ante
suele utilizar en tareas autoasociativas y en la agrupa- los patrones de validación (error de validación) a lo
ción de datos en función de su similitud. largo del proceso de aprendizaje. Normalmente, en las
Una vez obtenidos y guardados los pesos óptimos primeras fases del entrenamiento el error de valida-
en la fase de entrenamiento, debemos medir la efica- ción va disminuyendo progresivamente hasta un
cia de la red de forma objetiva mediante la presenta- punto a partir del cual este error comienza a aumentar,
ción de casos nuevos (diferentes a los casos de ese punto indica que la red empieza a aprender las
entrenamiento), de forma que a la fase de entrena- particularidades del grupo de entrenamiento –se pro-
miento le debe seguir una fase de test. En esta fase duce el sobreentrenamiento. Una práctica común, con
no se modifican los pesos, simplemente se presentan el fin de evitar el sobreentrenamiento, consiste en
casos nuevos –llamados casos de test—, a la entrada detener el aprendizaje cuando el error de validación
de la red y ésta proporciona una salida para cada uno alcanza el punto mínimo.
de ellos. Si se comprueba que se siguen obteniendo La utilización de un grupo de validación también
resultados dentro del margen de error deseado, se permite afinar los parámetros de la red, por ejemplo,
puede proceder a emplear la RNA dentro de su entor- para seleccionar el número óptimo de unidades ocul-
no de trabajo real. tas. Así, la arquitectura que obtenga el menor error de
En la metodología de las RNA, con el fin de encon- validación será la seleccionada.
trar la red que tiene la mejor ejecución con casos nue- El error que se obtiene ante los datos de validación
vos –es decir, que sea capaz de generalizar—, la proporciona una estimación sesgada del error de
muestra de datos es a menudo subdividida en tres generalización de la red seleccionada ya que, aunque
grupos (Masters, 1993; Bishop, 1995; Ripley, 1996; indirectamente, el grupo de validación ha intervenido
Martín del Brío y Sanz, 1997; Sarle, 1998): entrena- en el entrenamiento. Por tanto, si se desea medir de
miento, validación y test. una forma completamente objetiva la eficacia final del
Durante el proceso de entrenamiento o aprendiza- sistema construido, se debe contar con un tercer
je de una red neuronal supervisada, del tipo percep- grupo de datos independiente, denominado grupo de
trón multicapa, los pesos son modificados de forma test. El error que comete la red entrenada ante los
iterativa de acuerdo con los valores del grupo de datos de test proporciona una estimación insesgada
entrenamiento, con el objeto de minimizar el error del error de generalización. Finalmente, si se com-
cometido entre la salida obtenida por la red y la salida prueba que se siguen obteniendo resultados satisfac-
deseada por el usuario. De forma característica, en las torios con el grupo de test, se puede proceder a
primeras fases del aprendizaje la red se va adaptando emplear el modelo dentro de su entorno de trabajo
progresivamente al conjunto de datos de entrena- real.
miento, acomodándose al problema y favoreciendo la
generalización. Así, se puede observar que el error
Un ejemplo
que comete la red ante los datos de entrenamiento va
descendiendo paulatinamente hasta alcanzar un valor
mínimo. Sin embargo, a partir de un momento dado el Con el fin de ilustrar el proceso de entrenamiento
sistema puede comenzar a ajustarse demasiado a las y de test de una red, a continuación expondremos un
particularidades irrelevantes (ruido) presentes en los ejemplo sencillo de reconocimiento de patrones. Más
patrones de entrenamiento en vez de ajustarse a la concretamente, se pretende que la red neuronal
función subyacente que relaciona entradas y salidas. aprenda a reconocer las figuras de las cinco vocales.
Llegados a este punto se dice que la red ha sufrido un Diseñaremos dos tipos de redes neuronales, una lle-
sobreentrenamiento o sobreaprendizaje, perdiendo su vará a cabo una tarea heteroasociativa, la otra realiza-
habilidad de generalizar su aprendizaje a casos nue- rá una tarea autoasociativa.
vos. Debido a que las RNA son sistemas adaptativos
Con el fin de evitar el problema del sobreentrena- que aprenden a partir de ejemplos, éstos deben ser
miento, que puede darse en las redes del tipo percep- representativos de lo que sucede en la realidad. En
trón multicapa, es aconsejable utilizar un segundo nuestro caso, tendremos que diseñar diferentes tipos
grupo de datos diferentes a los de entrenamiento, de figuras para cada vocal en función de parámetros
denominado grupo de validación, que permita contro- tales como el tamaño, posición y estilo de letra. Esto
lar el proceso de aprendizaje. De este modo, a lo largo facilitará la capacidad de generalización de la red para
del aprendizaje la red va modificando los pesos en responder ante patrones diferentes a los utilizados en
función de los datos de entrenamiento y de forma el entrenamiento.

Palmer, A.; Montaño, J.J. 247

 La primera tarea que debemos realizar, una vez el fin de simplificar el problema, imaginemos que que-
diseñados los ejemplares o patrones, consiste en tra- remos representar cada figura mediante una matriz de
tar las informaciones de forma que la red pueda pro- 5x4 píxeles. Los píxeles negros pueden representarse
cesarlas. Recordemos que el tipo de información que
mediante el valor binario 1 y los blancos con el valor 0.
maneja una RNA es de tipo numérica: continua o dis-
Para cada figura obtendremos un vector de 1s y 0s
creta. Pues bien, en el ejemplo que nos ocupa pode-
mos representar las figuras de las vocales mediante formado a partir de la configuración de los 20 píxeles
un cierto número de píxeles (contracción de los voca- resultantes. En la figura 3 se muestra el proceso de
blos picture elements, o elementos de imagen). Con codificación de un ejemplar de la vocal E.

Figura 3. Codificación de un ejemplar de la vocal E.

1
1
1 1 1 1 1
1 0 0 0 1
1 1 1 1 1
1 0 0 0 0
1 1 1 1 0
.
.

Podemos estar interesados en entrenar la red para 0 0; si el ejemplar es una E, entonces la salida debería
clasificar cada figura en la categoría a la que pertene- ser el vector 0 1 0 0 0; y así sucesivamente. Por últi-
ce. En este caso la red debe aprender a asociar cada mo, el número de neuronas ocultas dependerá, en
figura con la vocal que representa (heteroasociación). gran medida, de la complejidad del problema.
El tipo de arquitectura que se suele utilizar en este La fase de entrenamiento o aprendizaje consistirá
tipo de problemas consiste en un perceptrón multica- en la presentación repetida de un grupo representati-
pa compuesto por una capa de entrada, una oculta y vo de ejemplos de vocales junto con sus salidas
una de salida. El número de neuronas de entrada y de correspondientes. La regla de aprendizaje será super-
salida estará determinado por el problema. Así, la capa visada, debido a que cada información de entrada está
de entrada a la red estará formada por tantas neuro- asociada a una salida deseada. Mediante esta regla
nas de entrada como elementos o píxeles formen las iremos modificando los pesos de las conexiones itera-
figuras; en este caso tenemos 20 píxeles. Cada una tivamente hasta que la salida de la red coincida o se
de estas neuronas de entrada se encargará de recibir aproxime hasta un nivel aceptable a la salida deseada
y procesar un píxel. La capa de salida estará formada para cada uno de los ejemplos de entrenamiento. En
por tantas neuronas como categorías o clases conten- la figura 4A se muestra este proceso para el caso de
ga el problema; en este caso tenemos cinco vocales. un ejemplar de la vocal E. En esta fase, la red organiza
Cada neurona de salida representará una vocal. Pode- una representación interna del conocimiento en los
mos determinar la salida de la red de forma que ante pesos de las conexiones de las neuronas ocultas, a fin
la presentación de un ejemplar, la neurona de salida de aprender la relación que existe entre el conjunto de
correspondiente a la vocal que representa el ejemplar, patrones dados como ejemplo y sus salidas corres-
dé como salida el valor 1 (activada) y todas las demás pondientes.
den como salida el valor 0 (desactivada). Así, si la figu- En la fase de test podremos presentar ejemplares
ra que presentamos a la entrada de la red es una A, nuevos, la red propagará la información a través de las
entonces la salida de la red debería ser el vector 1 0 0 sucesivas capas hasta proporcionar una salida. La pre-

248 ¿Qué son las redes neuronales artificiales?

 Figura 4. Entrenamiento y test de un perceptrón multicapa supervisado
para la clasificación de las vocales.

A) Fase de entreno:

Capa de Capa de Salida

entrada salida deseada
Patrón de
entrada Capa A 0
1 1 oculta
E 1
1
0 i I 0
L
O 0
1 20
U 0

Supervisor

B) Fase de test:

Capa de Capa de Salida

entrada salida de la red
Patrón de
entrada Capa A 0
0 1 oculta
E 1
1
0 i I 0
L
O 0
1 20
U 0

sentación de ejemplares desconocidos, distorsiona- trativos, utilizaremos una red monocapa entrenada
dos o incompletos nos permitirá comprobar el grado con aprendizaje no supervisado para realizar esta
de generalización que alcanza el modelo construido. tarea, aunque en la práctica es más efectivo utilizar
En la figura 4B se muestra cómo la red proporciona una red multicapa con aprendizaje supervisado. El
una respuesta correcta ante un ejemplar incompleto número de neuronas de la red monocapa estará
de la vocal E que no había sido utilizado en la fase de determinado por el número de píxeles que componen
entrenamiento. las figuras, en este caso es igual a 20; de forma que
Hemos visto un ejemplo de reconocimiento de cada neurona se encargará de recibir y procesar un
patrones mediante la clasificación de cada figura en la píxel. La fase de aprendizaje consistirá en el almace-
categoría a la que pertenece. Se trata de un caso de namiento de los diferentes ejemplos de entrenamien-
red heteroasociativa. Ahora bien, podríamos estar to en los pesos de la red. Para ello, iremos
interesados en entrenar la red para que aprendiera a presentando los ejemplos o patrones y la red irá modi-
asociar cada patrón o figura consigo misma. Como ficando los pesos de forma iterativa hasta que alcan-
hemos visto, se trataría de un ejemplo de reconoci- cen una estabilidad. En la figura 5A se muestra este
miento de patrones por autoasociación. Con fines ilus- proceso para el caso de un ejemplar de la vocal E.

Palmer, A.; Montaño, J.J. 249

 Figura 5. Entrenamiento y test de una red monocapa no supervisada para la
reconstrucción de las vocales.

A) Fase de entreno: B) Fase de test:

Salida 1 0 1
de la red

1 i 20 1 i 20

Patrón de Patrón de
1 0 1 0 0 1
entrada entrada

En la fase de test se demuestra la utilidad de este variables de entrada es demasiado grande como para
tipo de modelos. Permiten la reconstrucción de una que un modelo convencional aprenda a solucionar el
determinada información de entrada que se presenta problema en un tiempo razonable.
incompleta o distorsionada, proporcionando como Cuando no se dan estas circunstancias puede ser
salida la información almacenada más parecida. En la más aconsejable optar por solucionar el problema
figura 5B se muestra cómo la red reconstruye en su mediante un modelo derivado de la estadística o la
salida la figura de una E a partir de su entrada incom- Inteligencia Artificial. Por tanto, no debemos concebir
pleta. las RNA como una alternativa, sino más bien como un
complemento a los modelos convencionales ya esta-
blecidos.
Ventajas y limitaciones de las redes neuronales
artificiales Las RNA presentan una serie de ventajas frente a
los modelos estadísticos. Una ventaja fundamental
consiste en que los modelos neuronales normalmen-
Las RNA no son la panacea que permite resolver te no parten de restricciones respecto de los datos de
todos los problemas, sino que están orientadas a un partida (tipo de relación funcional entre variables), ni
determinado tipo de tareas. Podemos destacar cuatro suele imponer presupuestos (como distribución gaus-
características del problema o tarea que hacen acon- siana u otras). Por otra parte, como hemos comenta-
sejable la utilización de las RNA (Martín del Brío y do, la habilidad de las neuronas de calcular funciones
Sanz, 1997). Por una parte, no se dispone de un con- de salida no lineales capacita a la red para resolver
junto de reglas sistemáticas que describan completa- problemas complejos o no lineales. De este modo, en
mente el problema. En cambio, sí disponemos de numerosas aplicaciones se están consiguiendo con
muchos ejemplos o casos (condición indispensable RNA cotas de error mucho mejores que las proporcio-
para poder aplicar las RNA). Por otra parte, los datos nadas por la estadística.
procedentes del problema son imprecisos, incoheren- Respecto a las limitaciones que presentan las RNA,
tes o con ruido (como el ejemplo visto sobre el reco- una de las más importantes consiste en que es difícil
cocimiento de la letra E). Por último, el problema es comprender la naturaleza de las representaciones
de elevada dimensionalidad, es decir, el número de internas generadas por la red para responder ante un

250 ¿Qué son las redes neuronales artificiales?

problema determinado. Es decir, no sabemos cómo el –Empresa
sistema interrelaciona las diferentes variables de entra- Identificación de candidatos para posiciones
da con los pesos de las conexiones entre neuronas específicas
para elaborar una solución (Rzempoluck, 1998). Esta Reconocimiento de caracteres escritos
limitación contrasta con los diferentes modelos esta- Predicción del rendimiento económico de las
dísticos, los cuales permiten observar los parámetros empresas
o pesos relativos que el modelo otorga a cada una de
las variables que intervienen en el modelo.
-Medio ambiente
Con el fin de solventar esta limitación y así determi-
Previsión del tiempo
nar qué es lo que la red ha aprendido, algunos autores
(por ejemplo, Lisboa, Mehridehnavi y Martin, 1994)
hacen uso de matrices de sensibilidad, las cuales per- –Finanzas
miten cuantificar la importancia que tiene cada variable Previsión de la evolución de los precios
de entrada sobre cada variable de salida de la red. Valoración del riesgo de los créditos
Identificación de firmas
Realización de redes neuronales artificiales
–Manufacturación
Robots automatizados y sistemas de control
La realización más simple e inmediata consiste en
(visión artificial y sensores de presión, temperatu-
simular la red sobre un ordenador convencional
ra, gas, etc.)
mediante un software específico. Aunque de esta
Control de producción en líneas de proceso
manera se pierde su capacidad de cálculo en paralelo,
las prestaciones que ofrecen los ordenadores actuales
resultan suficientes para resolver numerosos proble- –Medicina
mas prácticos, al permitir simular redes de tamaño Diagnóstico y tratamiento a partir de síntomas y/o
considerable a una velocidad razonable. Esta constitu- de datos analíticos (electrocardiograma, encefalo-
ye la manera más barata y directa de realizar una grama, análisis sanguíneo, cuestionarios, etc.)
RNA. Por otra parte, no es necesario que cada investi- Monitorización en cirugía
gador diseñe sus propios simuladores, pues existen Predicción de reacciones adversas a los medica-
numerosas aplicaciones comerciales que permiten la mentos
simulación de multitud de modelos neuronales (Hilera Lectores de rayos X
y Martínez, 1995; Martín del Brío y Sanz, 1997). Para
consultar un listado actualizado de productos comer- –Militares
ciales y de libre distribución, se recomienda visitar en
Clasificación de las señales de radar
internet el FAQ (Frequent Asked Questions) del grupo
Creación de armas inteligentes
de noticias sobre RNA editado por Sarle (Sarle, 1998).
Reconocimiento y seguimiento de tiro al blanco
La alternativa a la simulación software en un orde- Detección de bombas
nador, consiste en llevar a cabo la emulación hardwa-
re de la red neuronal, mediante el uso de
–Psicología y Psiquiatría
procesadores especialmente diseñados para el traba-
jo con redes neuronales o mediante el diseño de cir- Modelización de procesos psicológicos básicos
cuitos específicos que reflejan con cierta fidelidad la Reconocimiento del habla (análisis e interpreta-
arquitectura de la red (Hilera y Martínez, 1995; Martín ción de frases habladas)
del Brío y Sanz, 1997). Diagnóstico de diversos trastornos (demencia,
epilepsia, alcoholismo, etc.) en función de seña-
les EEG
Aplicaciones generales Clasificación de las fases del sueño
Diagnóstico psicológico
Las RNA son una tecnología computacional emer- Predicción de rendimiento académico
gente que puede utilizarse en un gran número y varie-
dad de aplicaciones. A continuación, proporcionamos
un listado de aplicaciones de RNA en diferentes cam- REDES NEURONALES ARTIFICIALES APLICADAS A
pos (McCord Nelson y Illingworth, 1991; Hilera y Mar- LA CONDUCTA ADICTIVA
tínez, 1995; Buscema, 1997):
–Biología
En los apartados anteriores hemos visto que las
Estudio del cerebro RNA constituyen un modelo de procesamiento de la
Obtención de modelos de retina información robusto para la solución de problemas

Palmer, A.; Montaño, J.J. 251

complejos relacionados principalmente con el recono- control y no había tenido ningún problema con las dro-
cimiento de patrones: clasificación, predicción y gas. Estos dos grupos fueron etiquetados como casos
reconstrucción de ejemplares. Esta herramienta tec- prototípicos. Por último, el tercer grupo, 47 sujetos,
nológica ha sido aplicada muy recientemente en el estaba formado por sujetos que habían sido adictos a
campo de las adicciones. En este sentido, el Centro la heroina y habían dejado el tratamiento hacía al
de Investigación Semeion de las Ciencias de la Comu- menos cinco años; por tal motivo, fueron etiquetados
nicación (Roma, Italia), fundado y dirigido por Massi- como casos inciertos. Para cada sujeto se registraron
mo Buscema, ha sido pionero en la aplicación de las y codificaron numéricamente las variables de interés,
RNA con el fin de prevenir y predecir la conducta adic- determinándose su actual estatus de adicto o no a la
tiva. Los investigadores de dicho centro han construi- heroina. La muestra total fue dividida aleatoriamente
do diferentes modelos de red, los cuales pueden en casos de entrenamiento y casos de test. Obteni-
dividirse, siguiendo el esquema expuesto anterior- dos los pesos óptimos de la red neuronal a partir de
mente, en dos grandes grupos: redes heteroasociati- los casos de entrenamiento, se comprobó la capaci-
vas y redes autoasociativas. Vamos a examinar cómo dad de predicción del modelo mediante la presenta-
han aplicado estos dos tipos de redes al problema de ción de los casos de test. La red fue capaz de
las adicciones. clasificar correctamente, en adicto o no adicto, el 92%
Buscema (1995) ha desarrollado un nuevo enfo- de los casos prototípicos y el 80% de los casos incier-
que, denominado Squashing Theory, basado en el tos.
registro de un grupo de medidas biológicas, psicológi- Posteriormente, Buscema, Intraligi y Bricolo (1998)
cas y sociológicas con el fin de predecir, mediante un compararon el rendimiento de ocho modelos diferen-
perceptrón multicapa supervisado, la conducta adicti- tes de red multicapa supervisada para la clasificación
va del sujeto. Más concretamente, se trata de entre- de los sujetos según su adicción o no a las drogas.
nar una red para clasificar a los sujetos en dos Para ello, se usó una muestra compuesta por 223
posibles categorías, adicto (salida de la red = 1) o no sujetos adictos a la heroina y 322 sujetos control. La
adicto (salida de la red = 0), al presentarle a su entra- mitad de la muestra se utilizó para entrenar los dife-
da una serie de medidas obtenidas mediante cuestio- rentes modelos de red, la otra mitad sirvió para testar
nario, susceptibles de ser predictoras del consumo de su rendimiento. La capacidad predictiva de los ocho
droga. modelos fue siempre superior al 91% en los casos de
A continuación, se presentan las áreas específicas test, llegando a alcanzar, en algunos casos, el 97%.
que deben ser evaluadas para la predicción de la con- Por su parte, Speri, Schilirò, Bezzetto et al. (1998)
ducta adictiva, de acuerdo con los principios de la aplicaron los principios de la Squashing Theory al
Squashing Theory (Buscema, 1995): ámbito militar. Para ello, contaron con una muestra de
a) Características académicas 170 soldados compuesta por tres submuestras: 32
sujetos calificados de “normales”, 24 sujetos altamen-
b) Ocupación
te problemáticos y 114 sujetos con presunta o decla-
c) Características y micro vulnerabilidad del padre, rada adicción a las drogas. Se construyeron varias
madre y hermanos redes a partir de una configuración diferente de casos
d) Condiciones de vida de entrenamiento y test. Todos los modelos mostra-
e) Características sexuales y características de la ron unos resultados estables clasificando correcta-
pareja mente, en toxicómano o normal, al menos el 94 % de
f) Creencias religiosas los casos de test. Posteriormente, se compararon las
respuestas de las redes neuronales con las de una
g) Estatus económico y gastos evaluación clínica estándar; el nivel de acuerdo fue
h) Micro vulnerabilidad y estilo de vida relacionada superior al 70 % para los 170 casos.
con el alcohol y tabaco (no con adicción a dro- Maurelli y Di Giulio (1998) compararon siete mode-
gas) los diferentes de red neuronal para la predicción del
i) Problemas con la justicia grado de alcoholismo. La muestra estaba compuesta
j) Amistades por 91 alcohólicos “moderados” y 22 alcohólicos
k) Uso del tiempo libre “serios” que posteriormente fue dividida en casos de
entrenamiento y test. El propósito de las redes con-
l) Características psicológicas
sistía en dar como respuesta si el sujeto era alcohóli-
m) Micropercepciones de la familia y la pareja co “moderado” o “serio” a partir de la entrada de
Siguiendo este enfoque, Buscema (1995) seleccio- cinco variables que representaban los resultados de
nó una muestra compuesta por tres grupos de suje- varios tests biomédicos. Los resultados, a partir de los
tos. El primer grupo, 47 sujetos, se caracterizaba por casos de test, fueron variados oscilando la capacidad
estar recibiendo tratamiento por su adicción a la heroi- de predicción de los modelos entre el 73 y el 86%.
na. El segundo grupo, 94 sujetos, actuaba como grupo Posteriormente, se creó una nueva red, denominada

252 ¿Qué son las redes neuronales artificiales?

MetaNet, a partir de los cuatro modelos que habían sujeto alcohólico o PE procedente de un sujeto con-
obtenido mejores resultados. El modelo MetaNet trol. Los PE de los dos sujetos restantes actuaron
alcanzó una capacidad de predicción del 93%. como grupo de test. La red clasificó correctamente el
Hasta ahora, hemos revisado los trabajos realiza- 55.6% de los PE procedentes del sujeto alcohólico y
dos por el equipo de Buscema sobre la utilización de el 89.4% de los PE procedentes del sujeto no alcohó-
redes neuronales heteroasociativas para la clasifica- lico. Aunque los resultados no son muy buenos, el
ción y/o predicción de la conducta adictiva. estudio muestra que la clasificación de los PE median-
te una red neuronal es posible.
Este equipo también ha utilizado modelos de red
autoasociativa en el campo de las adicciones, creando Recientemente, Winterer y sus colaboradores
recientemente una red autoasociativa, denominada (Winterer, Klöppel, Heinz et al., 1998; Winterer, Ziller,
red de satisfacción de restricciones (Rumelhart y Klöppel et al., 1998) se propusieron comprobar si a
McClelland, 1986), con el objeto de extraer los rasgos partir de los patrones electroencefalográficos cuantita-
característicos relacionados con el consumo de droga. tivos (QEEG) se puede predecir, utilizando una red
El aprendizaje de este tipo de red, compuesta por dos neuronal, la recaída de los sujetos alcohólicos al inicio
capas de igual tamaño –entrada y salida—, consiste del tratamiento. Se contó con una muestra de 78
en ir presentando en la capa de entrada los datos refe- pacientes alcohólicos que habían iniciado un trata-
ridos a un grupo de sujetos –toxicómanos y no toxicó- miento de desintoxicación. Se registraron los patrones
manos—, y en modificar los pesos de las conexiones QEEG de los sujetos siete días después de iniciado el
de forma supervisada hasta que la capa de salida pro- tratamiento, determinándose tres meses más tarde
porcione una información igual o similiar a la presenta- dos posibles estatus: sujeto con recaída (49 sujetos) o
da a su entrada. Los datos que se presentan a la red sujeto abstinente (29 sujetos). Se entrenó un percep-
harán referencia a las variables o características pre- trón multicapa supervisado para predecir si el sujeto
había recaído o se había mantenido abstinente, ante la
dictoras propuestas por la Squashing Theory y el esta-
presentación del patrón QEEG del sujeto. La red fue
tus del sujeto como adicto o no. Ya vimos un proceso
capaz de predecir y/o clasificar correctamente el esta-
parecido en el almacenamiento de las vocales
tus del 85% de los casos de test. Con el objeto de
mediante una red monocapa no supervisada.
comparar el rendimiento de la red con un modelo
Una vez determinados los pesos de la red autoaso- estadístico clásico, se aplicó el análisis discriminante
ciativa, podemos preguntar a la red qué rasgos proto- lineal sobre las mismas variables. Este modelo clasifi-
típicos poseen los sujetos que pertenecen, por có correctamente el 75% de los casos de test. La apli-
ejemplo, al grupo de toxicómanos (Buscema, Intraligi cación del análisis discriminante no lineal (con
y Bricolo, 1998). Para ello, presentaremos como entra- polinomios de segundo orden) no mejoró este resulta-
da el valor 0 (desactivado) para todas las neuronas que do. Aunque la red neuronal exhibió un rendimiento
representan las diversas características del sujeto, superior frente al análisis discriminante, estos resulta-
excepto la neurona que representa el estatus de toxi- dos deben ser tomados con precaución debido al
comano; en este caso le presentamos el valor 1 (acti- reducido número de sujetos con el cual se trabajó.
vado). La red proporcionará como salida los valores
característicos de los sujetos toxicómanos para cada
una de las variables predictoras.
Massini y Shabtay (1998) aplicaron este modelo de CONCLUSIONES
red en un centro de desintoxicación con metadona. A
partir de una muestra compuesta por 69 pacientes del La primera parte de este trabajo ha pretendido ser
centro, la red neuronal permitió extraer las caracterís- una introducción general sobre el campo de las RNA
ticas prototípicas de los sujetos que había seguido evitando, de forma intencionada, la presentación de
con éxito el tratamiento de desintoxicación y los que fórmulas matemáticas complejas –muy habituales
no. Este procedimiento puede ser de gran utilidad ya incluso en documentos introductorios—, que no haría
que permite averiguar qué tratamiento será más ade- más que diezmar el número de lectores potenciales.
cuado en función del perfil del sujeto. Así, las RNA se presentan como una tecnología emer-
Para finalizar revisaremos los trabajos de un equipo gente de suma utilidad para la solución de problemas
de investigadores centrado en la predicción del alco- complejos en multitud de campos del conocimiento.
holismo a partir de respuestas psicofisiológicas. Así, La segunda parte se ha centrado en la revisión de
Klöppel (1994) llevó a cabo un estudio preliminar con los trabajos que han aplicado los modelos de RNA en
tres sujetos alcohólicos y tres sujetos control. A partir el no menos complejo campo de las adicciones. Los
de la selección de dos sujetos de cada grupo, entrenó resultados obtenidos en los diferentes trabajos revisa-
una red neuronal para clasificar los Potenciales Evoca- dos confirman el papel de las RNA como una nueva y
dos (PE), previamente codificados numéricamente, de eficaz metodología para la descripción, prevención y
los sujetos en dos categorías: PE procedente de un predicción de la conducta adictiva. Así, hemos visto

Palmer, A.; Montaño, J.J. 253

que las redes heteroasociativas pueden predecir el projection (Kent State University, 1996). Dissertation
estatus del sujeto como adicto o no adicto con un Abstracts International, DAI-A 57/12, 4995.
margen de error pequeño, en función de una serie de French, B.M., Dawson, M.R. y Dobbs, A.R. (1997). Classifi-
respuestas a un cuestionario. Por su parte, las redes cation and staging of dementia of the Alzheimer type:
autoasociativas permiten extraer los rasgos caracterís- a comparison between neural networks and linear dis-
ticos de los sujetos adictos y no adictos, así como criminant analysis. Archives of Neurology, 54(8), 1001-
averiguar qué tratamiento será el más adecuado en 1009.
función del perfil del sujeto. Aunque tales trabajos Hertz, J., Krogh, A. y Palmer, R.G. (1991). Introduction to the
pueden ser calificados de preliminares, constituyen el theory of neural computation. Redwood City, CA: Addi-
punto de partida de futuras investigaciones que per- son-Wesley.
mitirán determinar el papel de las RNA en la predic- Hilera, J.R. y Martínez, V.J. (1995). Redes neuronales artifi-
ción de la conducta adictiva. Así, se hace necesario ciales: Fundamentos, modelos y aplicaciones. Madrid:
realizar estudios comparativos respecto a los modelos Ra-Ma.
estadísticos clásicos y utilizar muestras suficiente- Jang, J. (1998). Comparative analysis of statistical methods
mente grandes –no sólo muestras clínicas—, para and neural networks for predicting life insurers’ insol-
poder extrapolar los resultados a la población. Estas vency (bankruptcy) (The University of Texas at Austin,
investigaciones también nos permitirán averiguar si 1997). Dissertation Abstracts International, DAI-A
los buenos resultados obtenidos hasta el momento 59/01, 228.
en las diferentes áreas de conocimiento se extienden Jefferson, M., Pendleton, N., Lucas, S. y Horan, M. (1997).
al campo de las conductas adictivas. Comparison of a genetic algorithm neural network with
logistic regression for predicting outcome after surgery
for patients with nonsmall cell lung carcinoma. Cancer,
79(7), 1338-1342.
REFERENCIAS BIBLIOGRÁFICAS Klöppel, B. (1994). Classification by neural networks of evo-
ked potentials: A first case study. Neuropsychobiology,
Alkon, D.L. (1989). Almacenamiento de memoria y sistemas 29(1), 47-52.
neurales. Investigación y Ciencia, Septiembre, 14-23. Lisboa, P., Mehridehnavi, A. y Martin, P. (1994). The interpre-
Arbib, M.A. (Ed.) (1995). The handbook of brain theory and tation of supervised neural networks. pp. 11-17. En Lis-
neural networks. Cambridge, Mass.: MIT Press. boa, P. y Taylor, M. (Eds.). Proceedings of the Workshop
Arbib, M.A., Erdi, P. y Szentagothai, J. (1997). Neural organi- on Neural Network Applications and Tools. Los Alami-
zation: structure, function and dynamics. Cambridge, tos, CA: IEEE Computer Society Press.
Mass.: MIT Press. Martín del Brío, B. y Sanz, A. (1997). Redes neuronales y sis-
Bishop, C.M. (1995). Neural networks for pattern recogni- temas borrosos. Madrid: Ra-Ma.
tion. New York: Oxford University Press. Massini, G. y Shabtay, L. (1998). Use of a constraint satis-
Bonilla, M. y Puertas, R. (1997). Análisis de las redes neurona- faction network model for the evaluation of the metha-
les: aplicación a problemas de predicción y clasificación done treatments of drug addicts. Substance Use &
financiera. Valencia (España): Servei de Publicacions: Uni- Misuse, 33(3), 625-656.
versitat de València. Masters, T. (1993). Practical neural networks recipes in C++.
Buscema, M. (1995). Squashing Theory: A prediction London: Academic Press.
approach for drug behavior. Drugs and Society, 8(3-4), Maurelli, G. y Di Giulio, M. (1998). Artificial neural networks for
103-110. the identification of the differences between “light” and
Buscema, M. (1997). A general presentation of artificial neu- “heavy” alcoholics, starting from five nonlinear biological
ral networks. I. Substance Use & Misuse, 32(1), 97- variables. Substance Use & Misuse, 33(3), 693-708.
112. McCord Nelson, M. y Illingworth, W.T. (1991). A practical
Buscema, M. (1998). Artificial neural networks and complex guide to neural nets. Reading, MA: Addison-Wesley.
systems. I. Theory. Substance Use & Misuse, 33(1), 1- Pazos, A. (Ed.). (1996). Redes de neuronas artificiales y algo-
220. ritmos genéticos. A Coruña: Universidade da Coruña,
Buscema, M., Intraligi, M. y Bricolo, R. (1998). Artificial neu- Servicio de Publicacions.
ral networks for drug vulnerability recognition and dyna- Ripley, B.D. (1996). Pattern recognition and neural networks.
mic scenarios simulation. Substance Use & Misuse, Cambridge: Cambridge University Press.
33(3), 587-623. Rumelhart, D.E. y McClelland, J.L. (Eds.). (1986). Parallel dis-
De Lillo, A. y Meraviglia, C. (1998). The role of social deter- tributed processing: explorations in the microstructure
minants on men’s and women’s mobility in Italy. A of cognition. Cambridge, Mass.: MIT Press.
comparison of discriminant analysis and artificial neural Rzempoluck, E.J. (1998). Neural network data analysis using
networks. Substance Use and Misuse, 33(3), 751-764. Simulnet. New York: Springer-Verlag.
Duncan, J.C. (1997). A comparison of radial basis function Sarle, W.S. (Ed.) (1998). Neural network FAQ. Periodic pos-
and multilayer perceptron neural networks with linear ting to the Usenet newsgroup comp.ai.neural-nets,
multiple regression in cohort-survival based enrollment URL: ftp://ftp.sas.com/pub/neural/FAQ.html.

254 ¿Qué son las redes neuronales artificiales?

Shekharan, R.A. (1997). Modeling pavement deterioration by Vohradsky, J. (1997). Adaptive classification of two-dimen-
regression and artificial neural networks (The Univer- sional gel electrophoretic spot patterns by neural net-
sity of Mississippi, 1996). Dissertation Abstracts Inter- works and cluster analysis. Electrophoresis, 18(15),
national, DAI-B 57/07, 4578. 2749-2754.
Shepherd, G.M. (1990). The synaptic organization of the Waller, N.G., Kaiser, H.A., Illian, J.B. y Manry, M. (1998). A
brain. Oxford: Oxford Press. comparison of the classification capabilities of the 1-
Simpson, P.K. (Ed.) (1995). Neural networks technology and dimensional Kohonen neural network with two partitio-
applications: theory, technology and implementations. ning and three hierarchical cluster analysis algorithms.
New York: IEEE. Psycometrika, 63(1), 5-22.
Smith, M. (1993). Neural networks for statistical modeling.
West, P., Brockett, P. y Golden, L. (1997). A comparative
New York: Van Nostrand Reinhold.
analysis of neural networks and statistical methods for
Speri, L., Schilirò, G., Bezzetto, A., Cifelli, G., De Battisti, L.,
predicting consumer choice. Marketing Science, 16(4),
Marchi, S., Modenese, M., Varalta, F. y Consigliere, F.
370-391.
(1998). The use of artificial neural networks methodo-
Winterer, G., Klöppel, B., Heinz, A., Ziller, M., Dufeu, P., Sch-
logy in the assessment of “vulnerability” to heroin use
among army corps soldiers: A preliminary study of 170 midt, L.G. y Herrmann, W.M. (1998). Quantitative EEG
cases inside the Military Hospital of Legal Medicine of (QEEG) predicts relapse in patients with chronic alco-
Verona. Substance Use & Misuse, 33(3), 555-586. holism and points to a frontally pronounced cerebral
Tommaso, M., Sciruicchio, V., Bellotti, R., Castellano, M., disturbance. Psychiatry Research, 78(1-2), 101-113.
Tota, P., Guido, M., Sasanelli, G. y Puca, F. (1997). Dis- Winterer, G., Ziller, M., Klöppel, B., Heinz, A., Schmidt, L.G.
crimination between migraine patients and normal sub- y Herrmann, W.M. (1998). Analysis of quantitative EEG
jects based on steady state visual evoked potentials: with artificial neural networks and discriminant analy-
discriminant analysis and artificial neural network clas- sis: A methodological comparison. Neuropsychobio-
sifiers. Functional Neurology, 12(6), 333-338. logy, 37(1), 41-48.

Palmer, A.; Montaño, J.J. 255