En este trabajo se explora una nueva estrategia de entrenamiento supervisado con Redes Neuronales de Impulsos (Spiking Neural Network, SNN) para forecasting en series temporales. En la actualidad, la inmensa mayoría de los trabajos en SNN se centran principalmente en problemas de clasificación, muy especialmente de imágenes. En este sentido, el trabajo aquí presentado es uno de los primeros trabajos en aplicar SNN para forecasting de series temporales, siendo los resultados muy prometedores. Para validar la metodología se han empleado dos bases de datos: información bursátil de IBM, y señales EEG. Entre los resultados, se demuestra que el rendimiento de la SNN depende, como cabía esperar, de la dinámica de la señal o serie temporal a predecir.

En este trabajo se propone la compresión de datos de tipo real basada en un nuevo algoritmo de codificación para Redes Neuronales de Impulsos inspirado en la conocida modulación por ancho de pulso (PWM). Esta propuesta presenta una serie de ventajas como la simplicidad del algoritmo. Así, permite al usuario establecer el compromiso deseado entre calidad y consumo de recursos de memoria mediante la selección de un sencillo parámetro.

Las terapias personalizadas han demostrado ser eficaces para mejorar las capacidades físicas, y por tanto, la calidad de vida de las personas con problemas de movilidad. Sin embargo, para diseñar dichas terapias, es necesario conocer el estado funcional de cada paciente y detectar los cambios que puedan ocurrir en él. Los sistemas tradicionales de evaluación suelen requerir tiempo y dedicación por parte de los especialistas, por lo que la periodicidad entre las sesiones suele ser elevada. Ante esta problemática, varios estudios han propuesto emplear dispositivos de ayuda técnica como sistemas de monitorización para extraer indicadores que ayuden al terapeuta en dicha evaluación. En base a ello, en este trabajo, se evalúa la capacidad de una contera sensorizada para detectar cambios en el patrón personal de marcha, tanto en escenarios simulados, como en personas con esclerosis múltiple.

El nivel de actividad física diaria que un paciente de Esclerosis Múltiple es capaz de realizar se ha demostrado que es una importante fuente de información para el seguimiento de la enfermedad y la adaptación individualizada de las terapias. Así, en este trabajo se propone el diseño de un clasificador de actividades de la vida diaria, realizado mediante la combinación de dos técnicas de Inteligencia Artificial (RandomForest y Redes Neuronales Artificiales), el cual podría facilitar información de valor a las y los terapeutas.