Actividad

clase 1: Introducción a los

modelos biológico y artificial de las redes
neuronales
Objetivo.
- Comprender el funcionamiento de la red neuronal biológica.
- Intuir el funcionamiento de la red neuronal artificial.
- Reconocer las partes de la red neuronal artificial.
- Implementar un primer modelo de la neurona artificial

1. Modelo biológico de la red neuronal

MODELO BIOLÓGICO:
La neurona es el elemento fundamental de todo sistema nervioso, a partir de este
elemento se ha basado la teoría y modelado de redes neuronales artificiales. Las
neuronas tienen formas, tamaños y longitudes diferentes, de estas características
se puede determinar su función y utilidad

1.1. Estructura de la neurona:

La neurona es una célula viva y como tal se conforma por todas las partes
básicas de las células biológicas. En general, una neurona consta de un cuerpo
celular mas o menos esférico, del que se desprende una rama principal (axón)
y varias ramas cortas (dendritas).
 Figura 1 Elementos de una neurona biológica

A diferencia de las típicas células vivas, las neuronas tienen la capacidad de

comunicarse entre si. Las dendritas y el cuerpo celular reciben señales de
entrada. El cuerpo celular las combina, integra y emite unas determinadas
señales de salida, las cuales son transportadas a su vez por el axón hasta los
terminales axónicos que se encargan de distribuir información a otro conjunto
de neuronas. Se calcula que en el cerebro humano existen alrededor de 1015
conexiones.

1.2. Naturaleza bioeléctrica de la neurona:

Las señales utilizadas por las neuronas son de tipo eléctrico y químico, la señal
de tipo eléctrico es transportada a lo largo del axón en forma de impulso,
mientras que la señal que se transmite entre los terminales axónicos y las
dendritas de las neuronas tiene origen químico; concretamente, se realizan
mediante moléculas transmisoras (neurotransmisores) que fluyen a través de
unos contactos especiales llamados sinapsis, que tienen la función de un
receptor y están localizados entre los terminales axónicos y las dendritas de la
neurona siguiente.
Existen muchos procesos complejos relacionados con la generación de las
señales de la neurona, sin embargo se pueden simplificar del siguiente modo
(Ver Fig. 1): en su interior la neurona puede mantener un liquido cuya
composición se diferencia notablemente de la composición del liquido exterior.
El medio externo es unas 10 veces más rico en iones de sodio que el interno,
mientras que en el medio interno es 10 veces más rico en iones de potasio que
el externo, esta desigualdad en la concentración de iones de sodio y potasio
genera un diferencial de potencial de aproximadamente 70mV, negativo en el
interior de la célula al cual se le denomina potencial de reposo.

Figura 2 Proceso de generación de señales en la neurona

La llegada de señales procedentes de otras neuronas acumulativamente van

bajando el valor del potencial de reposo de la célula receptora, este potencial
modifica la permeabilidad de la membrana celular, de manera que al llegar a un
valor critico, de 45mV, comienza una entrada masiva de iones de sodio que
invierte la polaridad de la membrana.
La inversión del voltaje al interior de la membrana bloquea a los iones de sodio
y abre el paso a los iones de potasio hasta restablecer el equilibrio en reposo.
La inversión en el voltaje se conoce como potencial de acción y se propaga a lo
largo del axón, que a su vez provoca la emisión de los neurotransmisores a los
terminales axónicos.

Figura 3 Propagación de la señal a través del axon

El resultado de todo esto es la emisión de trenes de pulsos cuya frecuencia varia

(entre otros factores) de la cantidad de neurotransmisores recibidos.
Existen dos tipos de sinapsis: a) Las sinapsis excitadoras cuyos
neurotransmisores provocan disminución del potencial en la membrana de la
célula post-sináptica facilitando la generación de pulsos a mayor velocidad,
b) las sinapsis inhibidoras cuyos neurotransmisores estabilizan el potencial de
la membrana, dificultando la emisión de pulsos. Casi todas las neuronas reciben
entradas excitadotas e inhibidoras y depende de la suma de estos efectos que
la célula será o no estimulada, es decir, si emitirá o un tren de impulsos y a que
velocidad.
Para establecer la analogía entre la actividad sináptica y las redes neuronales
artificiales fijaremos los siguientes aspectos:
• Las señales que llegan a la sinapsis son las entradas de las neuronas; estas
son ponderadas (atenuadas o amplificadas) a través de un parámetro
denominado peso que es asociado a la sinapsis correspondiente. Estas
señales pueden excitar a la neurona (peso positivo) o inhibirla (peso
negativo). El efecto es la suma de las entradas ponderadas, si la suma es
 igual o mayor que el umbral de la neurona entonces la neurona se activa
(situación ON-OFF). La facilidad de transmisión de señales se altera
mediante la actividad del sistema nervioso. Esta habilidad de ajustar señales
es un mecanismo de aprendizaje

2. MODELO ESTANDAR DE LA NEURONA ARTIFICIAL.

En el desarrollo e implementación con redes neuronales artificiales se usa un modelo al que
se denominará neurona estándar o perceptrón que fue desarrollado por Warren McCulloch y
Walter Pitts en 1943. Este modelo tiene:

Conjunto de entradas xi(t) y pesos sinápticos wij,

Una regla de propagación, hi (t ) = δ (wij , x j )); hi (t ) = ∑Wij x j que es la más común.

Una función de activación yi (t ) = f i (hi (t )) ,que representa simultáneamente la salida de la
neurona y su estado de activación.

Figura 4 Neurona estándar artificial

Con frecuencia se añade al conjunto de pesos de la neurona un parámetro adicional θ que se

denominará umbral (bias), quien se resta del potencial post-sináptico, por lo que el argumento
de la función de activación queda:
∑ wij xi − θ i
j
Lo que representa añadir un grado de libertad a la neurona y ayudará a converger
rápidamente cuando se esté entrenando la red. Veremos más adelante que el término
agregado a la neurona representa un umbral en las neuronas que funcionan del tipo todo o
nada. En conclusión el modelo de la red neuronal que se denominará estándar queda:

yi (t ) = f i (∑ wij xi − θ i )
j
Ahora bien, si hacemos que los subíndices i y j comiencen desde 0 podemos definir wi0=θi y
x0=-1, con lo que el potencial post-sináptico se obtiene obteniendo la suma desde j=0
yi (t ) = f i (∑ wij xi )
j =0
Definida de esta manera la neurona estándar, basta con establecer la forma de la función de
activación para determinarla por completo.

Perceptrón.
Si en el modelo de la neurona estándar se considera que las entradas son digitales, por
ejemplo {0 1} y la función de activación es la escalón H(.) (Denominada también Heaviside),
definida entre 0 y 1 se tiene
yi (t ) = H (∑ wij xi − θ i )
j
Considerando entonces que H(x)=1 cunado x>1 y H(x)=0 cuando x<0, se tiene
1 si ∑ wij xi ≥ θ i
yi =
0 si ∑ wij xi ≤ θ i
Es decir si el potencial de membrana supera un valor de umbral θi (umbral de disparo),
entonces la neurona se activa, si no lo supera, la neurona no se activa. Un perceptrón puede
ser modelado con cualquier dispositivo o software que simule esta ecuación.

PREGUNTAS
1. Que función cumplen las dendritas pre-sinápticas?.
2. Que función cumplen las dendritas post-sinápticas?.
3. Que función cumple el cuerpo de la neurona?.
4. Que significa el término entradas ponderadas?.
5. Que son las sinapsis excitadoras?.
6. Que son las sinapsis inhibidoras?.
7. A partir de lo leído en este párrafo haga un esquema general de la neurona
artificial estándar e impleméntela en Matlab para 3 entradas y función de
activación tanh().
8. La salida de la neurona biológica es continua o discreta?.
9. Haga un breve resumen de cómo funciona la neurona biológica.
10. Discuta las diferencias entre la neurona biológica y el modelo estándar de
neurona artificial.