Beruflich Dokumente
Kultur Dokumente
Facultad de Ingeniera
Escuela de Electrnica
Tutor:
Proyecto de Grado
elaborado por:
18.529.532
17.775.429
Ingeniero Electrnico
Desarrollo de una red neuronal artificial como herramienta de apoyo para el diagnstico previo de ciertas
enfermedades by Murillo, Jos ; Salazar, Jorge is licensed under a Creative Commons Reconocimiento-
NoComercial-CompartirIgual 3.0 Unported License.
Universidad Nueva Esparta
Facultad de Ingeniera
Escuela de Electrnica
APROBADO POR
EVALUADOR:
____________________
Nombre y Apellido
____________________
Cedula de identidad
____________________
Firma
Marzo, 2013
Caracas, Venezuela
II
AGRADECIMIENTOS
Jos R. Murillo N.
III
momentos de felicidad. Personalmente quiero darle las gracias por el apoyo
incondicional a mis padres Greethaly Vilanova y Ralph Salazar que aunque
no est presente hoy en da estara orgulloso de ello, a quienes me apoyaron
a lo largo de estos cinco aos, a mis hermanos Ralph y Dhamelis quienes
estuvieron siempre presentes y dispuestos a ayudarme en lo que necesitara
y a mi novia Tayling por ayudarme y apoyarme durante la realizacin de este
trabajo de grado.
Jorge L. Salazar V.
IV
DEDICATORIAS
A mi sobrina, Samantha
A mi novia, Roco
Jos R. Murillo N.
A mi novia, Tayling
A mis amigos
A Mis Maestros
Jorge L. Salazar V.
V
Universidad Nueva Esparta
Facultad de Ingeniera
Escuela de Electrnica
Tutor:
RESUMEN
VI
A partir de una encuesta digital dirigida a mdicos internistas, se pudo
determinar las enfermedades que debern estar dentro del rango de
diagnstico de la unidad prototipo, en las que el diagnstico en algunos
casos puede tardar un poco o puede prestarse a confusin, y de esta manera
tener una ayuda electrnica que siempre dar el resultado ms acertado con
respecto a los sntomas presentados.
VII
Universidad Nueva Esparta
Faculty of Engineering
Authors:
Tutor/Advisor:
SUMMARY
VIII
Applying a digital survey to internal doctors, the diseases that should
be included in the diagnose range of the prototype were determined. In some
cases, the diagnose of certain diseases can take time or can generate
confusion. This is why this electronic device can help to obtain a more
accurate result according to the presented symptoms.
The prototype is built by a VIA EPIA Pico PC, which receives the data
coming from the knobs and switches that communicate to a PIC
microprocessor. This Pico PC contains the necessary programming (artificial
neural network), which processes the data and indicates the possible
pathology of the patient in terms of percentages.
IX
ndice
ndice ........................................................................................................ X
ndice de Tablas.....................................................................................XVI
Introduccin .............................................................................................. 1
Captulo I .................................................................................................. 4
Temtica: ........................................................................................ 9
Geogrfica: ..................................................................................... 9
Temporal: ........................................................................................ 9
Tcnica: .......................................................................................... 9
Captulo II ............................................................................................... 10
X
Antecedentes de la investigacin ..................................................... 10
Neurona ........................................................................................ 17
Multiplexacin ............................................................................... 24
Automedicacin............................................................................. 25
Sistemas de control....................................................................... 33
Microcontroladores ........................................................................... 38
FPGA ............................................................................................ 41
FPAA............................................................................................. 43
XI
Inteligencia artificial ....................................................................... 45
Adaline .......................................................................................... 50
Auto-medicar ................................................................................. 50
Axn .............................................................................................. 50
Dendritas ....................................................................................... 50
Enfermedad .................................................................................. 50
FPAA............................................................................................. 50
FPGA ............................................................................................ 50
Procesador .................................................................................... 51
Perceptrn .................................................................................... 51
Sinapsis ........................................................................................ 51
XII
Poblacin.......................................................................................... 58
Muestra ............................................................................................ 59
Validez.............................................................................................. 61
Confiabilidad..................................................................................... 61
Captulo IV .............................................................................................. 74
XIII
ndice de Figuras
XIV
Figura 28: Vista superior del circuito impreso (Control) .......................... 77
Figura 29: Vista inferior del circuito impreso (Control) ............................ 77
Figura 30: Fuente 5v DC ......................................................................... 79
Figura 31: Fuente 5V Vista General........................................................ 80
Figura 32: Fuente 5V Vista sin componentes ......................................... 81
Figura 33: Fuente 5V Vista de las pistas ................................................ 81
Figura 34: Cable Serial DB9 ................................................................... 82
Figura 35: Diagrama de Conexin Serial ................................................ 83
Figura 36: Recepcin de Datos Labview ............................................... 84
Figura 37: Linealizacin de la informacin recibida ................................ 85
Figura 38: Grfica de la funcin de conversin lineal ............................. 87
Figura 39: Conversin lineal en Labview para RNA................................ 88
Figura 40: Conversin lineal en Labview para RNA (Fisico) ................... 89
Figura 40: FPGA con patas en toda su zona inferior. ............................. 90
Figura 41: FPGA con Patas a los bordes del Chip.................................. 91
Figura 42: Plataforma FPGA ................................................................... 91
Figura 43: Via Epia Pico P-830 vista superior ......................................... 94
Figura 44: Via Epia Pico P-830 vista inferior ........................................... 94
Figura 45: Configuracin neural network tool ....................................... 97
Figura 46: Topologa de la Red............................................................... 98
Figura 47: Clculo de una neurona del modelo McCulloch y Pits ......... 107
Figura 48: Modelo General de Neurona................................................ 108
Figura 49: RNA ..................................................................................... 110
Figura 50: RNA Completa con todas las enfermedades ....................... 111
Figura 51: Panel de control ................................................................... 112
XV
ndice de Diagramas
ndice de Tablas
XVI
Tabla 20: Bias capa 1 para el diagnstico del Dengue ......................... 101
Tabla 21: Pesos capa 2 para el diagnstico del Dengue ...................... 101
Tabla 22: Bias Capa 2 Para el diagnstico del Dengue ........................ 101
Tabla 23: Pesos capa 1 para el diagnstico de la Gastritis .................. 101
Tabla 24: Bias capa 1 para el diagnstico de la Gastritis ..................... 102
Tabla 25: Pesos capa 2 para el diagnstico de la Gastritis .................. 102
Tabla 26: Bias Capa 2 Para el diagnstico de la Gastritis .................... 102
Tabla 27: Pesos capa 1 para el diagnstico de la Gripe ....................... 102
Tabla 28: Bias capa 1 para el diagnstico de la Gripe .......................... 103
Tabla 29: Pesos capa 2 para el diagnstico de la Gripe ....................... 103
Tabla 30: Bias Capa 2 Para el diagnstico de la Gripe......................... 103
Tabla 31: Pesos capa 1 para el diagnstico de la Hepatitis .................. 103
Tabla 32: Bias capa 1 para el diagnstico de la Hepatitis..................... 104
Tabla 33: Pesos capa 2 para el diagnstico de la Hepatitis .................. 104
Tabla 34: Bias Capa 2 Para el diagnstico de la Hepatitis ................... 104
Tabla 35: Pesos capa 1 para el diagnstico de la Neumona ............... 104
Tabla 36: Bias capa 1 para el diagnstico de la Neumona .................. 105
Tabla 37: Pesos capa 2 para el diagnstico de la Neumona ............... 105
Tabla 38: Bias Capa 2 Para el diagnstico de la Neumona ................. 105
ndice de Grficos
XVII
Grfico 8: Enfermedades ........................................................................ 71
ndice de Anexos
XVIII
Introduccin
1
enfermedades, arrojando como respuesta final las posibles
enfermedades con un porcentaje de probabilidad entre ellas.
2
diagrama donde se lograr dar a conocer el sistema a construir, para as
obtener el resultado de la presente investigacin.
3
Captulo I
Marco Problemtico
1
Organizacin Mundial de la Salud (OMS) realizada en su constitucin de 1946.
4
Por otro lado, algunos mdicos no logran diagnosticar las
enfermedades correctamente en la primera consulta, y estas personas
posiblemente deben regresar por no tener un buen resultado con los
medicamentos recetados, haciendo que el paciente vuelva a gastar dinero en
una nueva cita.
5
inteligencia artificial, ya que las redes neuronales son el principio bsico de la
inteligencia artificial. Estos dispositivos no slo podran ayudar al rea de la
medicina, sino tambin a cualquier rea de las ciencias o mbito social que
necesiten de la mejor tecnologa. Las redes neuronales artificiales (RNA) han
sido aplicadas a un nmero en aumento de problemas en la vida real y de
considerable complejidad, donde su mayor ventaja es en la solucin de
problemas que son bastante complicados para la tecnologa actual,
tratndose de problemas que no tienen una solucin algortmica o cuya
solucin algortmica es demasiado compleja para ser encontrada.
En general, debido a que son parecidas a las del cerebro humano, las
RNA son bien nombradas ya que son buenas para resolver problemas que el
humano puede resolver pero las computadoras no. Estos problemas incluyen
el reconocimiento de patrones y la prediccin del tiempo. De cualquier forma,
el humano tiene capacidad para el reconocimiento de patrones, pero la
capacidad de las redes neuronales no se ve afectada por la fatiga,
condiciones de trabajo, estado emocional, y compensaciones.
6
Formulacin del problema
Cules son las posibles enfermedades que aplican para este estudio?
Qu FPGA, FPAA o plataforma de desarrollo es ms apropiada para este
estudio?
Es posible disear una red neuronal usando FPGA, FPAA o una plataforma
de desarrollo?
Se puede construir una red neuronal capaz de diagnosticar enfermedades?
Cmo construir la red neural?
Objetivos Generales
Objetivos Especficos
7
Justificacin de la Investigacin
8
Delimitaciones de la investigacin
Temtica:
Est enmarcado en el rea de la Ingeniera Electrnica y la
computacin especficamente el rea de robtica, control e
Inteligencia Artificial, Redes neuronales Artificiales (RNA).
Geogrfica:
Tanto el estudio, el diseo, la construccin y las pruebas se llevarn a
cabo en las instalaciones de la Universidad Simn Bolvar en
Sartenejas, en la oficina del tutor acadmico.
Temporal:
Ser desarrollado en un perodo comprendido entre febrero 2012 y
marzo de 2013, esto comprende una cantidad de 13 meses.
Tcnica:
Se abordar la situacin problemtica relacionada con enfermedades
que puede sufrir una persona y as obtener un rpido diagnstico.
El grado de dificultad que tenga una enfermedad para determinarla,
basndose en que sta necesite demasiados exmenes y estudios
para identificarla.
Se realizar la seleccin de las enfermedades partiendo de lo que se
obtenga en las encuestas.
La Red neuronal ser desarrollada en los softwares MatLab y
Labview.
Limitaciones de la Investigacin
9
Captulo II
Marco Terico
Antecedentes de la investigacin
10
con que se va a trabajar, en este caso Backpropagation.
Inicialmente se utilizaron cuatro neuronas ocultas con
dos de entradas y dos de salida, gradualmente se va
reduciendo las neuronas ocultas, y de esta manera se va
optimizando la matriz de pesos mediante el algoritmo
backpropagation.
Una vez que la red converge se analiza su
funcionamiento y si ste no es el esperado segn esto se va
eliminando una neurona de la capa oculta. Este proceso se
repite hasta obtener el funcionamiento deseado.
Generalmente el aprendizaje de una red neuronal se
produce mediante la formacin de una serie de entrada /
salida de datos (patrones), donde la formacin del algoritmo
backpropagation ajusta el vnculo pesos. La relacin peso,
almacena el conocimiento necesario para resolver problemas
especficos en este caso las predicciones.
El modelo de predicciones meteorolgicas se
implement como una red neuronal del tipo backpropagation,
el cual emplea una funcin sigmoidea, con taza de
aprendizaje 1, tasa de momento 0.5 y el parmetro 0.52.
2
Poma Lima, D. Prediccin Meteorolgica Mediante Redes Neuronales.
3
IBIDEM
11
Las redes neuronales son aplicables para este tipo de estudios
siempre y cuando sean de bajo nivel en relacin al nmero de variables de
entrada y salida. Si se utiliza un amplio nmero de variables de entrada y
salida, se obtiene una red neuronal demasiado grande. Por lo tanto sera
sumamente complicado el algoritmo utilizado para realizarla.
Por otro lado se encuentra el estudio realizado por Villada, F., Muoz,
W., Henao, M. (2008), dirigido a un estudio titulado: Aplicacin De Las
Redes Neuronales En Ingeniera y Economa, a travs de un estudio
documental, en la Universidad de Antioquia en Colombia el cual tuvo como
objetivo principal realizar una bsqueda bibliogrfica de las aplicaciones ms
importantes de las redes neuronales aplicadas a diferentes aspectos de la
Ingeniera y la Economa.
4
Minchao, H., Quzhi, C., Fuzzy Direction Neural Networks and its Application to Fault Detection and
Isolation. Pp. 1007
12
tendencias de cambio con el tiempo son similares para
diferentes tipos de fallas...
El trabajo realizado por Chow 5 presenta una forma
forma econmica de diagnosticar motores de induccin
pequeos en tiempo real para detectar fallas incipientes en los
devanados y problemas en los rodamientos; mostrando la
factibilidad de usar redes neuronales artificiales en situaciones
industriales reales6
Esta investigacin lleg a las siguientes conclusiones: las revisiones
bibliogrficas de los diferentes documento, trabajos e investigaciones
Mostraron la potencialidad de aplicacin de las redes neuronales en
aquellos campos donde se requieran analizar el comportamiento de sistemas
no lineales y con dificultad de ser modelados matemticamente7.
5
Chow, M., Mangum, P., Yee, M., A Neural Network Approach to Real-Time Condition Monitoring of
Induction Motors
6
Villada, F. Muos, W. Henao, N. Aplicacin De Las Redes Neuronales En Ingeniera Y Economa
7
IBIDEM
13
una red neuronal compuesta por tres(3) capas, que procesa sntomas de
enfermedades pulmonares y otra informacin que se le proporcione a la
entrada de la red neuronal, y proporcionar en la salida cul posible
enfermedad pulmonar pueda padecer con una exactitud del 92%. Luego de
este procesamiento la tercera capa de esta estructura, que est empezando
a disearse, podr ser capaz de proporcionar tanto tratamiento mdico,
como las mejores medicinas para tratar la enfermedad que de resultado de
las capas anteriores.
Se propuso la implementacin basada en Field Programmable Gate
Arrays (FPGAs), para lograr que el dispositivo sea porttil y fcil de
reconfigurar, ya que permite nuevas estructuras (La mejora de la actual MES
-Micro Electronic Systems-, para el apoyo de otras enfermedades, y as
introducirlas en otros campos de la pericia humana) ser implementadas sin
ningn cambio en dicho Hardware.
La cuestin clave en el diseo de FPGAs para Redes Neuronales
Artificiales, es para reducir el tamao de cada neurona y as poder poner en
un solo chip tantas neuronas sea posible. De esta manera podremos tener
ocho (8) neuronas en un FPGA chip.
Esta investigacin lleg a las siguientes conclusiones: La asignacin
propuesta para la Red Neuronal Artificial en un FPGA, fue probada para
proporcionar resultados muy destacados. Esta composicin fue usada para
estructurar la porttil eficiencia y reconfiguracin de los MES, para asistir a
los mdicos en enfermedades pulmonares. El software y el hardware que se
implement fue estudiado y por simulacin los factores de tamao y
velocidad resultaron ser superados. Por otra parte, la mejora de este MES
se pensaba que era la argumentacin de cul de los patrones deba seguir.
La integracin de conocimiento terico mdico y la interferencia con otros
trminos pulmonares fueron aprendidos por el dispositivo en nuevos
algoritmos, podra ser el prximo objetivo, la fcil transferencia en lo
14
propuesto en las estructuras bsicas de los FPGAs. El ltimo objetivo de este
proyecto podra ser el uso de los MES para diagnosticar cualquier otra
enfermedad, esto es el deseo de este equipo de investigacin. Es el trabajo
de investigacin con ms relacin al presente ya que busca el mismo
objetivo.
15
Bases tericas
Las enfermedades:
Neurona artificial:
16
Fuente: Gonzales, D, (1999), Deteccin de alumnos de riesgo y medicin de
la eficiencia de centros escolares mediante redes neuronales.
Neurona:
17
Figura 2. Diagrama de una neurona
18
Cuando este proceso se completa, entonces ante determinados estmulos
sabemos cmo responder y aprendemos. El conocimiento adquirido est
entonces en los niveles de relacin entre las neuronas, logrados durante el
proceso de aprendizaje. El cerebro es entrenado por repeticin de
estmulos.
Mediante un proceso de aprendizaje se logra establecer los niveles
correctos de activacin-inhibicin de las neuronas
19
Figura 4. Red de Hopfield
20
Una red neuronal artificial Is a massive parallel distributed processor
that has a natural propensity for storing experimental knowledge and making
available for use (Haykin, 1994) (en espaol Es un procesador
masivamente paralelo distribuido que tiene una tendencia natural para
almacenar conocimiento experimental y la pone a disposicin para su uso
(Haykin, 1994)).
21
Figura 6. Tipos de RNA
22
Aprendizaje Hbrido: Es una mezcla de los anteriores. Unas capas de
la red tienen un aprendizaje supervisado y otras capas de la red tienen un
aprendizaje de tipo no supervisado. Este tipo de entrenamiento es el que
tienen redes como las RBF.
23
Figura 7: Arquitectura tpica de un Perceptrn Multicapa.
Multiplexacin:
Figura 8: Multiplexores
24
Automedicacin:
Puerto Serie
25
transmisin de informacin desde y hacia el ordenador. La
mayor parte de estos puertos responde al estndar RS-232. A su
vez existen diferentes variedades de puertos serie, definidos por
el tipo de UART (Universal Asynchronous Receiver
Transmitter). El UART es el chip que transforma la informacin
para hacerla apta para su envo a travs de este puerto. Recibe
la informacin del ordenador que le llega generalmente de
bloques de 32 bits (la velocidad del bus PCI del sistema) y la
adapta para ser enviada por los cables serie que slo envan
datos de bit en bit. (p.27)
26
Puerto USB
27
Condensador o Capacitor
28
Resistencia
29
Transistor de una juntura (UJT):
30
decir, el nmero de muestras por segundo, es lo que se conoce
como frecuencia de muestreo.
Retencin: Las muestras tomadas han de ser retenidas por
un circuito de retencin, el tiempo suficiente para permitir evaluar su
nivel (cuantificacin). Desde el punto de vista matemtico este
proceso no se contempla, ya que se trata de un recurso tcnico
debido a limitaciones prcticas, y carece, por tanto, de modelo
matemtico.
Cuantificacin: en el proceso de cuantificacin se mide el nivel
de voltaje de cada una de las muestras. Consiste en asignar un
margen de valor de una seal analizada a un nico nivel de salida.
Incluso en su versin ideal, aade, como resultado, una seal
indeseada a la seal de entrada: el ruido de cuantificacin.
Codificacin: la codificacin consiste en traducir los valores obtenidos
durante la cuantificacin al cdigo binario. Hay que tener presente que
el cdigo binario es el ms utilizado, pero tambin existen otros tipos
de cdigos que tambin son utilizados
31
Figura 14. Conversin analgica a digital
Sistema prototipo:
32
Sugerencias: El analista tambin est interesado en las sugerencias de los
usuarios y la administracin acerca de cmo refinar o cambiar el prototipo
presentado. Las sugerencias son recolectadas de aquellos que experimenta
con el prototipo, mediante un perodo de tiempo especfico.
Sistemas de control:
33
Figura 15: Esquema genrico de un sistema de control
Segn Moya, J. los tipos de sistemas de control son Varios son los
criterios que pueden seguirse para clasificar los sistemas de control: en
funcin de que el estado de la salida intervenga o no en la accin de control
(lazo abierto o lazo cerrado); segn las tecnologas puestas en juego
(mecnicos, neumticos, hidrulicos, elctricos y electrnicos); atendiendo a
las tcnicas de procesamiento de la seal (analgicos y digitales); segn la
forma de establecer la relacin entre los elementos del sistema (cableados y
programados), etc.
34
Sistemas a lazo abierto:
Son aquellos en los que la accin de control es independiente de la
salida, es decir, la seal de salida no tiene influencia sobre la seal de
entrada, un esquema de sistemas de control a lazo abierto se puede ver en
la Figura 16.
35
Sistemas de control analgico y digital:
36
Figura 18: Esquema de bloques de un sistema de control
37
Amplificador: Elemento que aumenta la amplitud o intensidad de un
fenmeno. Tiene por finalidad amplificar la seal de error con objeto de que
alcance un nivel suficiente para excitar el actuador.
Controlador: Elemento de los sistemas digitales que incluye las funciones del
comparador, el amplificador y el acondicionador de seales.
Microcontroladores
Segn Torres, M (2007) en su trabajo Tutorial microcontroladores
PIC especifica que Los microcontroladores son computadores digitales
integrados en un chip que cuentan con un microprocesador o unidad de
procesamiento central (CPU), una memoria para almacenar el programa, una
memoria para almacenar datos y puertos de entrada salida. A diferencia de
38
los microprocesadores de propsito general, como los que se usan en los
computadores PC, los microcontroladores son unidades autosuficientes y
ms econmicas.
39
Su disponibilidad como circuitos normalizados la existencia de
numerosos desarrolladores de sistemas que los utilizan.
40
FPGA:
41
Figura 22: Aspecto fsico de un FPGA
Los FPGA utilizan una red de puertas lgicas que sern programadas
por los usuarios (y no por el fabricante). Generalmente son programados
despus de haber sido soldados al circuito impreso.
42
Un FPGA es un dispositivo lgico programable, es decir un chip cuyas
puertas lgicas a nivel fsico podemos programar.
FPAA:
43
Figura 23: FPAA
Sistemas Expertos:
44
Inteligencia artificial:
45
Sistemas de modulacin:
Tipos de Modulacin:
46
Figura 24: Modulacin AM
Modulacin en frecuencia
La seal modulada mantendr fija su amplitud y el parmetro de la
seal portadora que variar es la frecuencia, y lo hace de acuerdo a como
vare la amplitud de la seal moduladora.
47
Figura 25: Modulacin FM
48
Figura 26: Modulacin por densidad de pulsos
49
Definicin de trminos bsicos
Dendritas: Las dendritas son vas de entrada de los impulsos nerviosos a las
neuronas.
50
Procesador: Es un circuito electrnico integrado que acta como unidad
central de proceso de una PC, proporcionando el control de las operaciones
de clculo.
8
"Glosario del Departamento de Neurociencias, Facultad de Medicina de la Universidad Autnoma
de Guadalajara (Mxico)"
51
Diagrama 1: Cuadro de operacionalizacin de las variables
Sub-
Objetivo Variable Dimensin Indicadores Fuente Instrumento
indicadores
Definir la
importancia que Importancia
este prototipo que este Cun Inters
Campo Encuestas
representa para prototipo Importante Medico
el rea de la representa
Medicina
Temperatura. Grados
Identificar las Dolor.
Enfermed
enfermedades Acidez
ades que Nauseas Presencia o
que aplican
aplican Sntomas. Vmitos ausencia del
para este
para este Diarrea Campo Encuestas
sntoma
estudio. Tos
estudio.
Flema
Ictericia
52
Sub-
Objetivo Variable Dimensin Indicadores Fuente Instrumento
indicadores
kohonen
53
Sub-
Objetivo Variable Dimensin Indicadores Fuente Instrumento
indicadores
54
Captulo III
Marco Metodolgico
Tipo de Investigacin
El presente proyecto ser basado en una investigacin factible, ya que
es posible contar con los instrumentos necesarios, tales como un laboratorio
especializado, adems de un apoyo documental amplio, posibilidad de
acceso a los componentes y el soporte de un tutor especializado en el rea
de investigacin para desarrollar la red neural. Cabe destacar que
econmicamente es posible obtener todos los componentes, ya que solo se
desarrollar un prototipo experimental, por supuesto ste no ser tan
costoso, ya que estar limitado tanto en alcance como en capacidad. Sin
embargo ser suficiente para cumplir los objetivos de esta investigacin. La
Universidad Pedaggica Experimental Libertador (2004), seala que:
55
La presente investigacin va dirigida a indagar en la solucin de
problemas como la automedicacin y el mal o tardo diagnstico por
eliminacin, ser orientado especficamente a la sociedad de mdicos, los
cuales podrn acceder a esta tecnologa para agilizar un correcto
diagnstico, mediante el uso de redes neuronales artificiales, las cuales son
una gran alternativa para lograr procesar mayor cantidad de informacin en
menos tiempo que una computadora convencional.
Diseo Modalidad
Balestrini (2002) al referirse al diseo de investigacin expresa lo
siguiente:
"Un diseo de investigacin se define como un plan global de
investigacin que integra un modelo coherente y
adecuadamente correcto, tcnica de recogida de datos a
utilizar, anlisis previstos y objetivos, el diseo de
investigacin intenta dar de una manera clara y no ambigua
respuestas a las preguntas planteadas en la misma."
La presente investigacin sobre RNA's (Redes Neuronales Artificiales)
aplicada a la rama de la medicina tiene basamento en una investigacin de
campo, documental y de laboratorio y ser de tipo mixta segn lo expresado
por Barrera Morales (2004) como el proceso metodolgico que contemple el
desarrollo de un estudio bibliogrfico y de campo, sobre un caso de uso en
particular o situacin determinada (p.21), ya que se recogern y analizarn
datos mixtos sobre las variables.
56
En ese mismo orden de ideas se puede citar a la Universidad
Pedaggica Experimental Libertador (2004), la cual expresa que:
57
Segn lo especificado por Grajales, T. una investigacin de laboratorio
es aquella en la que Se crea un ambiente artificial, para realizar la
investigacin, sea un aula laboratorio, un centro de simulacin de eventos,
etc. estamos ante una investigacin de laboratorio.
Definicin de Operacional
Salcedo y Melndez (1997), expresan que Operacionalizacin de variables
es:
"Todo trabajo de investigacin, es en su tema o ttulo una
variable general. Para que pueda ser observada en la
realidad es preciso operativizarla, hacerla operativa. La
0peracionalizacin de variables, pues, puede y debe servir
tambin para determinar los puntos de informacin a obtener,
mediante la encuesta y que han de ser desarrollados dentro
del cuestionario mediante las correspondientes preguntas."
Poblacin
Arias (1998), sostiene que la poblacin es el conjunto de personas,
instituciones o cosas a los cuales se refiere la investigacin y para las que
sern validadas las conclusiones que se obtengan una vez finalizado el
estudio.
La poblacin que aplica para la presente investigacin es finita, ya que
estar constituida por los mdicos internistas del Centro Medico Docente de
La Trinidad ubicado en la ciudad de Caracas, Venezuela, quienes son los
58
que proveern los datos de importancia y tambin quienes tendrn libre
acceso a la tecnologa propuesta. Dependiendo de la cantidad de mdicos
existentes se determinar la muestra utilizada para el presente proyecto de
estudio.
Muestra
La muestra probabilstica es definida por Hernndez Fernndez y
Baptista (1998) como un subconjunto de elementos que pertenecen a ese
conjunto de elementos definido en sus caractersticas al que llamamos
poblacin.
Para los efectos de la siguiente investigacin, se tomar como
poblacin de estudio, los mdicos internistas del Centro Medico docente de
la trinidad ubicado en la ciudad de Caracas, Venezuela. Debido a que la
poblacin de mdicos internistas en esta clnica es muy reducida alcanzando
un mximo de trece (13) mdicos, se tomar como muestra el 100% de la
poblacin seleccionada.
La muestra seleccionada ser quien proveer la informacin necesaria
para la presente investigacin. Esto se lograr a travs de encuestas que
estarn aprobadas por tres (03) expertos: dos de ellos sern expertos en
metodologa de la investigacin y uno ser un certificador tcnico, que
aprueben y validen las preguntas y su pertinencia para lo que a la presente
investigacin respecta.
59
Tcnicas e instrumentos para la recoleccin de datos
60
Validez
Confiabilidad
61
condiciones, produce resultados idnticos, dando por hecho que el evento
medido no ha cambiado.
Respuesta
Acciones a evaluar Observaciones
Si No
1.- Verificar voltaje de la fuente de 5v. X
2.- Verificar conexionado del PIC X
3.- Verificar entradas al PIC X
4.- Verificar envi de datos X
5.- Verificar recepcin de datos X
62
6.- Verificar conversin de datos X
7.- Verificar entradas a la RNA X
8.- Verificar procesamiento de la RNA X
9.- Verificar respuesta de la RNA X
Si No
0%
100%
63
Se procedi a construir una tabla con las respuestas obtenidas para
cada pregunta. En la columna fi (Frecuencia Absoluta) se presenta el nmero
total de respuestas para cada opcin y en la columna hi (Porcentaje relativo)
se presenta el porcentaje para cada respuesta.
Si No
15%
85%
64
Anlisis: En el grfico anterior, un 85% de los mdicos entrevistados no
tienen conocimientos de un dispositivo electrnico con las caractersticas del
desarrollado en el presente proyecto, mientras que un 15% de ellos ha
escuchado y visto un dispositivo como este.
Estos resultados son de gran importancia porque indican la pertinencia de
esta investigacin para el rea de la medicina y la electrnica.
Si No
23%
77%
65
Anlisis: En el grfico anterior, un 23% de los mdicos entrevistados
estaran interesados en obtener algn tipo de ayuda en el diagnstico de
ciertas enfermedades, mientras que un 15% de ellos piensa que no es
necesario el uso de un dispositivo electrnico para el apoyo en el
diagnstico.
Esto es de gran importancia ya que nos da a conocer sobre la receptividad
que tendr en la poblacin de mdicos un dispositivo de esta ndole.
Si No
38%
62%
66
Anlisis: Un 62% de los mdicos entrevistados estn de acuerdo en que
este dispositivo es capaz de ayudarlos a disminuir el tiempo de diagnstico,
mientras que un 38% de los mdicos dieron a conocer que no los ayudara a
disminuir el tiempo de diagnstico sino a corroborar su diagnstico.
8%
23%
46%
23%
67
Anlisis: El porcentaje ms alto, con un 46%, est muy interesado sobre la
realizacin del presente proyecto de investigacin, mientras que un 23%
manifiestan el inters como medio, al igual para los que presentan poco
inters y un 8% para aquellos mdicos que no tienen inters alguno en la
investigacin.
Esto ayuda enormemente a la presente investigacin ya que nos da a
conocer el inters de los mdicos en este proyecto y la razn por la cual
realizarlo ya que si no hubiese nada de inters, no tuviese cabida en la
medicina.
Si No
15%
85%
68
Anlisis: El 85% de los mdicos encuestados indic que si estaran
dispuestos a comprar un dispositivo para apoyar el diagnstico de ciertas
enfermedades, mientras que slo el 15% no comprara este dispositivo. Esta
informacin nos permite corroborar la pertinencia del desarrollo de este
proyecto para el rea mdica.
15%
15%
70%
69
llegar el dispositivo directamente a sus consultorios y les asegura una mayor
confiabilidad. Un porcentaje del 15% comprara el dispositivo por internet y
otro 15% en tiendas.
Tabla 8: Enfermedades
Opciones fi hi%
Anorexia 7 54%
Apendicitis 8 62%
Asma 4 31%
Bronquitis 11 85%
Dengue 13 100%
Diabetes 5 38%
EPOC 1 8%
Fiebre Amarilla 5 38%
Gastritis 9 70%
Gripe 13 100%
Hepatitis 10 77%
Hipertensin 2 15%
Neumona 10 77%
70
Grfico 8: Enfermedades
14
12
10
8
6
4
2
0
Metodologa empleada
71
otras tesis de grado fundamentalmente relacionadas con la presente tesis
adems del soporte obtenido por parte de las tutoras.
72
Cuarta Etapa: Anlisis de resultado y conclusin
73
Captulo IV
Sistema Propuesto
Diagrama de Bloques:
En el diagrama de bloques presentado a continuacin, se explicar la
forma en la que estar construido y las etapas por las que pasar tanto en
construccin como en funcionamiento.
74
Recoleccin de Datos
Para la recoleccin de datos ser empleado un PIC 16f870, que fue
instalado y programado en una circuito impreso junto con los componentes
que conformaran su configuracin. El control que fue diseado para ingresar
los datos a la RNA consta de varios botones y un potencimetro para
ingresar los datos. Se utiliz el potencimetro para manipular la temperatura
y los botones para ingresar diferentes sntomas. Este sistema de control es
alimentado por una fuente de 5V DC a 1amp, que fue diseado para este
trabajo. La fuente siempre mandar +5V estables. Sin embargo, el sistema
para ingresar datos tambin permite hacerlo por medio del mouse y teclado
(opcionales), en el diagrama 3 podemos observar una explicacin del
funcionamiento del pic.
75
Figura 27: Diagrama circuital del PIC16f870.
76
El circuito impreso del PIC se puede observar en las figuras 28 y 29, la
cual fue diseada en el software de desarrollo Proteus 7.8 SP2.
Figura 28: Vista superior del circuito impreso (Control)
77
Por otra parte, el cdigo que fue desarrollado y posteriormente
programado en el PIC, se desarroll en MikroC, del cual podemos observar
en el diagrama 4 un resumen de su funcionamiento. Mientras que el cdigo
se puede encontrar en el Anexo C.
78
Bsicamente lo que realiza el cdigo es una rutina repetitiva, donde
espera que se pulsen los botones y se ponga el potencimetro en la posicin
deseada por el usuario. Posteriormente, en el momento que se presiona
enviar, se encender un led indicando que ha comenzado el proceso. Todos
estos datos son guardados en unas variables disponibles para ello. Una vez
que se apaga el led, la informacin es enviada de forma serial y el buffer se
limpia al poco tiempo despus del envo y vuelve a verificar qu variables ha
cambiado en el sistema para ejecutar el envo, al momento de presionar el
botn enviar nuevamente.
La fuente de 5V Dc que alimentar el sistema de recoleccin de datos
(control) anteriormente comentado y el diseo realizado anteriormente se
puede observar en la Figura 30.
TR1
BR1 U1
7805
R1
1 3
VI VO 220
GND
C4 C2 D1
C1 C3 0.1u 470u LED-BLUE
470u 0.1u
2
TRAN-1P2S DF005M
79
condensadores cermicos de 0.1uF, los cuales tendrn la funcin de reducir
el ruido en el circuito, seguidamente un circuito integrado LM7805 el cual
regula la seal de salida a los 5v requeridos. Por ltimo se coloc un LED
para saber que la fuente est en funcionamiento. La salida de la fuente
tendr un terminal de 2 puertos para alimentar al control de la RNA.
80
Figura 32: Fuente 5V Vista sin componentes
81
Transferencia de Datos:
82
Para que la conexin entre el PIC16F870 y la Micro PC funcione
perfectamente, se us un MAX232. El PIC 16F870 es un micro controlador y
debemos usar un adaptador de tensin TTL a niveles adecuados para
transmisin serial con el Micro PC. En otras palabras esto quiere decir que,
este MAX232 sirve para la comunicacin con el puerto serie de la Micro PC.
Como este puerto maneja nivel de tensin de 15 Volts, no es adecuado para
conectarlo a un PIC o cualquier otro elemento que se maneje a 5 V, por lo
que este dispositivo se encarga de transformar esos 15v volts a 5v y
viceversa.
83
En el momento que llegan los datos al Micro PC la red desarrollada en
Labview recibe los datos a travs del cable serial, inmediatamente el
programa hace una lectura del buffer de la pc y los datos son enviados a un
condicional, que verifica si la cantidad de bytes recibidos es mayor a cero. Si
es mayor a cero proceder a hacer una linealizacin de los datos y guardar
la informacin en las variables que necesitamos de la red. Estas variables de
la red seran los diferentes sntomas que presenta el paciente.
En el caso contrario de que los bytes recibidos no son mayores a cero
simplemente no ejecuta la linealizacin de los datos, se limpia el buffer y se
espera que lleguen ms datos, sin borrar los que ya recibi.
El cdigo realizado para esta recepcin de datos se puede observar a
continuacin:
84
Recepcin y conversin de datos
85
En el caso del dato que proviene del potencimetro, y es guardado
despus de todo el proceso posteriormente explicado, se debe realizar una
conversin lineal, para que la red pueda manejar la informacin, ya que para
el caso de temperatura los datos provienen de un conversor analgico a
digital desde el PIC16F870. Los valores que ste est entregando son desde
0 hasta 255 en decimal, pero para la red eso no representa una temperatura
manejable, por ende se procedi a hacer un conversin lineal de estos
nmeros.
86
Figura 38: Grfica de la funcin de conversin lineal
2 1
=
2 1
= ( )
Calculo:
87
0.05 = 0.11625( 34)
= 0.11625 3.9025
Para esta ecuacin final cuando sustituimos por X algn valor entre
34C y 42C automticamente Y arrojar el equivalente entre 0.05 y 0.98
como respuesta, de esta manejara se resuelve el problema con los datos
provenientes del potencimetro. Por ejemplo:
= 0.1081 0.1
88
Figura 40: Conversin lineal en Labview para RNA (Fisico)
89
ms lento que un procesador u otros dispositivos estndares, tambin al
nicamente limitar al uso de compuertas lgicas aumentaba en gran tamao
la funcin matemtica de cada una de las neuronas y tomando en cuenta de
que seran una gran cantidad de neuronas, necesitaramos un FPGA con
muchsima capacidad, fue entonces cuando surgi otro problema, el
problema propiamente fsico del chip, ya que este al tener tantas celdas
lgicas posee patas en la totalidad de su superficie inferior, estaramos
hablando de alrededor de cincuenta (50) o sesenta (60) patas como se
muestra en la figura 40, aunque tambin como se muestra en la figura 41,
tiene patas mnimas en los cuatro bordes del chip. Esto disminuy an ms
la opcin de utilizar FPGAs ya que soldar esa cantidad de patas y crear una
circuito impreso casera con las caractersticas necesarias para el montaje de
este chip se convirti en un imposible, ya que la separacin entre las patas
es mnima.
90
Figura 42: FPGA con Patas a los bordes del Chip
91
Luego de esto se discuti el uso de un FPAA o Field Programmable
Analog Array, al que se tena acceso. Tiene muchas similitudes con las
FPGA, solo que como su nombre lo dice estas a diferencia de las FPGA que
son digitales, y stas son analgicas. Cuando se empez a indagar en el
mundo de estos dispositivos conseguimos los mismos problemas que con el
FPGA, solo que al ser analgicos sera ms fcil la creacin de la red
neuronal.
92
La plataforma elegida para el presente proyecto fue la Via Epia Pico P-
830 la cual podemos observar en la figura 43 Y 44, desarrollada como un
dispositivo de alto rendimiento en espacio muy reducido. Esta plataforma
represent un avance y permiti que la presente investigacin se tornara
ms interesante, ya que abri nuevos caminos y expandi el alcance y las
particularidades del dispositivo, uno de los aspectos estudiados con relacin
a las dems fue el tema econmico. sta representaba un gasto mucho
menor, apenas de unos aproximado USD 400, mucho menos de la mitad que
las plataformas de desarrollo de FPGA y FPAA, y lo cual defini el uso de
esta plataforma.
93
Figura 44: Via Epia Pico P-830 vista superior
94
A continuacin se presenta en la tabla 9 las especificaciones tcnicas
completas de esta plataforma. Una de las caractersticas que nos llam ms
la atencin de esta plataforma era su tamao tan reducido, ya que mide unos
increbles 10 cm x 7.2 cm. Esto ayuda a que el dispositivo final no sea tan
aparatoso y difcil de transportar, y mucho ms agradable en lo que a
esttica se refiere.
95
Procesamiento de Datos
96
Figura 46: Configuracin neural network tool
Fuente: Matlab
97
Figura 47: Topologa de la Red
98
Tabla 12: Bias capa 1 para el diagnstico de la Apendicitis
-0.3 0.4 0.25 0.40 -0.02 -0.5 -0.3 0.6 0.67 0.86
-2.5 -1.9 -1.3 -0.7 -0.27 -0.27 -0.8 1.3 -1.8 2.5
-0.53
99
Tabla 16: Bias capa 1 para el diagnstico de la Bronquitis
2.2 -1.79 1.36 0.69 -0.5 -0.02 0.43 -0.92 -1.3 -1.8 2.2
-0.21 -0.19 -0.1 -0.7 0.3 -0.3 0.06 -0.3 0.01 -0.08 -0.4
0.28
100
Tabla 20: Bias capa 1 para el diagnstico del Dengue
-0.36 0.22 -0.70 0.56 -0.44 -0.03 -0.25 0.39 0.33 0.61 1
2.19 1.8 1.2 -0.9 0.20 0.01 -0.42 -0.88 -1.2 -1.7 2.3
0.03
101
Tabla 24: Bias capa 1 para el diagnstico de la Gastritis
-0.21 -0.06 0.03 0.16 0.24 0.04 -0.05 -0.4 0.51 0.69
2.37 1.98 1.36 -0.79 -0.31 0.18 -0.83 1.37 1.92 2.48
0.015
102
Tabla 28: Bias capa 1 para el diagnstico de la Gripe
-2.2 -1.8 1.35 0.97 -0.39 -0.04 -0.4 -1 -1.3 1.83 2.2
-0.89 0.6 -0.22 -0.57 -0.16 -0.74 0.86 0.1 -0.1 0.5 -0.9
0.23
103
Tabla 32: Bias capa 1 para el diagnstico de la Hepatitis
0.32 0.15 0.64 -0.4 -0.4 -0.8 0.75 -0.5 -0.6 -0.05 0.12
-2.2 -1.2 -1.5 0.9 -0.5 -0.02 -0.4 1.9 -1.3 -1.7 2.2
0.12
104
Tabla 36: Bias capa 1 para el diagnstico de la Neumona
0.67 -0.59 0.20 -0.77 -0.55 0.25 -0.03 0.50 -0.61 0.73
2.11 1.86 1.36 0.86 0.48 -0.05 -0.38 0.93 -1.16 2.29
0.05
105
Por otra parte, en una RNA, adems de los pesos y las conexiones,
cada neurona tiene asociada una funcin matemtica denominada funcin de
transferencia. Dicha funcin genera la seal de salida de la neurona a partir
de las seales de entrada. La entrada de la funcin es la suma de todas las
seales de entrada por el peso asociado a la conexin de entrada de la
seal. Algunos ejemplos de entradas son la funcin escaln de Heaviside, la
lineal o mixta, la sigmoide y la funcin gaussiana, recordando que la funcin
de transferencia es la relacin entre la seal de salida y la de entrada.
106
necesario realizar ciertas adaptaciones a los modelos al momento
de implantarlos, lo que dificulta y hace imprecisa a dicha
implantacin con respecto al comportamiento terico derivado del
modelo.
= ( )
Donde
= 1 1 + + = Es la suma ponderada.
107
Xi = Valor de la i-sima entrada (input).
108
En la imagen anterior se puede observar como los distintos sntomas
son las entradas Xn hablados en la formula modelo. Luego se observa cmo
se multiplican por un nmero decimal que representa el peso (Wn) calculado
en Matlab. Posteriormente se realiza una sumatoria de todos ellos y el
resultado es ajustado por la suma del umbral (bias) y finalmente una funcin
de transferencia que arroja la salida deseada, gracias al entrenamiento
previo.
109
Figura 50: RNA
110
El modelo final se observa en la figura 50. ste simplemente es la
presentacin final mas no una red neuronal como las anteriores. sta
muestra el resultado final de cada una de las redes dependiendo de las
entradas proporcionadas por el usuario.
111
Resultado de la RNA
Los sntomas se puedes introducir mediante el panel fsico controlado
con el microcontrolador PIC 16f870, tomando en cuenta que al mover las
perillas y presionar los botones sus equivalentes virtuales no se vern
afectados, se podr elegir entre la introduccin de datos virtual por medio del
panel en la pantalla del pc o directamente de la botonera fisica
112
El panel de Control cuenta con un Indicador LED de color azul, el cual
nos har saber cundo el paciente este sano, lo cual nicamente ocurre
cuando no este pulsado ninguno de los sntomas y la temperatura corporal
este por debajo de los 37.5 grados o por sobre los 36.5 grados.
113
Recursos
Recursos Tcnicos
114
Recursos Administrativos
Recursos humanos
115
Cronograma de Actividades
116
Captulo V
Conclusiones y Recomendaciones
Conclusiones:
117
El diagnstico mdico es un mundo en el que los especialistas de la
salud son muy hermticos en cuanto a la intervencin de una mquina
electrnica, por lo cual es muy difcil obtener la ayuda o la participacin
necesaria. El mdico nunca podr ser reemplazado, ya que el cerebro
humano tiene millones de neuronas ms que las que se pueden utilizar en
cualquier equipo electrnico. Sin embargo, algunos mdicos estn abiertos al
uso de estos equipos considerando, que el uso o interpretacin de esta
informacin ser manejada por un profesional, pero no se aleja la posibilidad
de que en algn momento de la historia, estos equipos sern lo
suficientemente confiables para ser utilizados por las personas en su casa y
as no necesitar de una cita mdica para diagnsticos de triaje.
118
respuesta exacta, la red siempre dar una respuesta aproximada de acuerdo
a lo que se le haya enseado previamente durante los entrenamientos.
Las redes neuronales artificiales son uno de los avances ms
importantes de la electrnica actual. El futuro de esta tecnologa podra llegar
al punto en el que estas mquinas podrn interactuar libremente con los
humanos. Se puede ver actualmente a muy pequea escala en los
videojuegos. Esta tecnologa es un gigante que cada vez crece ms y ms,
por lo que se presume que llegar a ser la tecnologa ms importante y
utilizada en un futuro no muy lejano.
Por ende a travs de este proyecto de grado se logr comprender el
funcionamiento de las RNA para ser aplicado en el rea de la medicina. En
donde la meta fue lograr desarrollar un prototipo de red neural, capaz de
hacer un diagnstico previo de manera rpida de las posibles enfermedades
que podra sufrir una persona, en donde estas enfermedades estaran
limitadas segn el grado de importancia, elegidos a travs de las encuestas
realizadas a los mdicos internistas del Centro Mdico Docente de la
Trinidad en el rea de emergencias (triaje).
El desarrollo de este proyecto logr demostrar que a travs de las
redes neuronales, se pudo lograr determinar con bastante precisin el
diagnstico previo de ciertas enfermedades, adems de dar pie a nuevas
investigaciones sobre redes neuronales artificiales y de la aplicacin de las
mismas en el rea de la medicina. Ayudando a los mdicos a lograr realizar
su trabajo de manera ms rpida y eficiente, por otro lado se consider que
por ahora una maquina no podr reemplazar a un mdico, sin embargo no
descartamos la posibilidad de que en un futuro esto cambie, ya que la
evolucin de las computadoras ser la I.A. (inteligencia artificial) basadas en
las RNA.
119
Recomendaciones:
120
estmulo unas sern ms precisas que otras, pero a su vez, unas
tendrn un grado de complejidad matemtica superior a otras.
Adems dependiendo de la situacin, el entrenamiento deber ser
supervisado o no supervisado debido a que esto define previamente si
la red neural ser usada como un sistema experto o si ser usada
para reconocer patrones en el cual el investigador no logra visualizar
esos patrones.
121
Referencias Bibliogrficas
122
Maldonado, H. (s.f.). Recuperado el 13 de 02 de 2012, de
http://webdelprofesor.ula.ve/nucleotachira/malhec/maldo_h/el_impacto_ambi
ental_en_venezuela.pdf
123
Surez, I. G. (2009). Recuperado el 10 de 08 de 2011, de
www.ufps.edu.co/materias/uelectro/htdocs/pdf/fpga.pdf
Referencias de Figuras
http://www.allaboutcircuits.com/worksheets/mux.html
http://www.unicrom.com/tut_funcionamiento-ujt.asp
124
Gonzales, D. (1999 ). Retrieved 02 13, 2012, from
http://www.ucm.es/BUCM/cee/doc/9902/9902.htm
http://www.fpgacentral.com/pld-types/fpga-field-programmable-gate-
array
125
ANEXOS
126
Anexo A: Modelo de Validacin tcnica
127
Anexo B: Modelo de Encuesta presentada
128
129
130
Anexo C: Programacin del PIC
unsigned char
bit0,bit1,bit2,bit3,bit4,bit5,bit6,bit7,bit8,bit9,bit10,bit11,bit12,bit13,bit14,bit15,bi
t16; //declaro mis bits del mensaje
void main() {
trisa = 0xff;
trisc0_bit = 1;
trisc1_bit = 1;
trisc4_bit = 1;
trisc5_bit = 1;
trisc7_bit = 1;
trisc3_bit = 0;
trisc6_bit = 0;
131
UART1_Init(9600); // velocidad de baudios/rate
do{
//no hace nada, esto asegura que enva justo despus de soltar el botn
}while(porta.f2 == 1);
delay_ms(500);
//INICIO ADC
//FIN ADC
if(portb.f0 == 1){
132
bit0 = 0x56; //elegimos 0x56 hexadecimal para enviar una V
caracter que ser entendido como un 1, luego esto llegara en labview como
un numero hexadecimal que procesaremos y convertiremos en 1
else {
if(portb.f1 == 1){
bit1 = 0x56;
else {
bit1 = 0x46;
if(portb.f2 == 1){
bit2 = 0x56;
else {
bit2 = 0x46;
133
if(portb.f3 == 1){
bit3 = 0x56;
else {
bit3 = 0x46;
if(portb.f4 == 1){
bit4 = 0x56;
else {
bit4 = 0x46;
if(portb.f5 == 1){
bit5 = 0x56;
else {
bit5 = 0x46;
if(portb.f6 == 1){
bit6 = 0x56;
134
}
else {
bit6 = 0x46;
if(portb.f7 == 1){
bit7 = 0x56;
else {
bit7 = 0x46;
if(portc.f0 == 1){
bit8 = 0x56;
else {
bit8 = 0x46;
if(portc.f1 == 1){
bit9 = 0x56;
else {
135
bit9 = 0x46;
if(portc.f2 == 1){
bit10 = 0x56;
else {
bit10 = 0x46;
if(portc.f4 == 1){
bit11 = 0x56;
else {
bit11 = 0x46;
if(portc.f5 == 1){
bit12 = 0x56;
else {
bit12 = 0x46;
136
if(porta.f1 == 1){
bit13 = 0x56;
else {
bit13 = 0x46;
if(porta.f3 == 1){
bit14 = 0x56;
else {
bit14 = 0x46;
if(porta.f4 == 1){
bit15 = 0x56;
else {
bit15 = 0x46;
137
if (UART1_Tx_Idle() == 1) { //este comando verifica que el puerto
este libre para enviar informacin
UART1_Write(bit1);
UART1_Write(bit2);
UART1_Write(bit3);
UART1_Write(bit4);
UART1_Write(bit5);
UART1_Write(bit6);
UART1_Write(bit7);
UART1_Write(bit8);
UART1_Write(bit9);
UART1_Write(bit10);
UART1_Write(bit11);
UART1_Write(bit12);
UART1_Write(bit13);
UART1_Write(bit14);
UART1_Write(bit15);
138
} //fin del if
139
Anexo D: Validacin de instrumentos por Andrs Montesinos
140
Anexo E: Validacin de instrumentos por Mara Elena Snchez
141
Anexo F: Validacin de instrumentos por Mauricio Marn
142
Anexo G: Datasheet Max 232
143
144
145
146
147
Anexo H: Datasheet LM7805
148
149
Anexo I: Diseo AutoCAD caja VIA Epia
150
151
Anexo J: Diseo AutoCAD caja control
152
153
Anexo K: Diseo Calcomanas
154
Anexo L: Fotos Producto Final
155
156
Anexo M: Datasheet PIC 16F870
157
158
159
160
161