Introduccion: La psicopedagogía es la disciplina que se encarga de estudiar el comportamiento humano, se centra en la forma de como aprenden y se desarrollan los sujetos, además de las dificultades que presentan durante la adquisición de nuevos aprendizajes. La Prueba de Lenguaje Oral de Navarra - PLON, es uno de los métodos usados para medir el grado de aprendizaje en niños y está enfocada específicamente en niños con edades de 4, 5 y 6 años (1), (2). Por otro lado, PLON busca detectar precozmente niños en los cuales el desarrollo lingüístico no es adecuado con el fin de actuar de forma compensatoria. Actualmente no existe un aplicativo que mida automáticamente el grado de aprendizaje en niños y que tenga diferentes niveles de aplicabilidad.Es así como el procesamiento de señales brinda la posibilidad de manipular señales captadas a través de un equipo electrónico y así mismo, el procesamiento de voz ha permitido desarrollar diferentes aplicaciones como el dialogo entre el hombre y la máquina (3), (4). Este artículo presenta la implementación de una herramienta que permita medir de manera automática y en tiempo real el grado de aprendizaje de niños entre edades de 4 a 6 años.

Este artículo presenta el diseño y desarrollo de un prototipo portátil para la adquisición, procesamiento y clasificación de señales EEG con el objetivo de caracterizar estímulos visuales y auditivos, se trabajó con dos pacientes diferentes para la validación de los resultados, se realizó el registro de las señales durante 4 segundos a una frecuencia de 500Hz. Los pacientes fueron expuestos a estímulos visuales y auditivos en diferentes casos, cuya frecuencia de aparición permanecía constante. Para el registro de las señales se diseñó un sistema de adquisición de 4 canales configurables entre sí para trabajar con derivación unipolar o bipolar según requiera el experimento. La selección de la mejor base en el análisis multi-resolución de wavelet  se tuvieron en cuenta dos parámetros importantes, la medida de la entropía y los porcentajes de clasificación de dichos niveles, debido a que los potenciales evocados son generalmente constantes en su morfología, se hizo promediación coherente dando como resultado la ubicación espacio-tiempo donde aparece dicho potencial evocado, una vez se obtuvo las características de la señal tratada se procedió a clasificarlas mediante dos métodos diferentes de  inteligencia artificial, redes neuronales y máquinas de soporte vectorial, en esta etapa se tomó en cuenta la medida de la desviación estándar de los datos, para garantizar que la máquina de aprendizaje se entrene de manera correcta. Los resultados obtenidos demuestran de manera fidedigna el comportamiento general de los potenciales evocados como resultado a los estímulos presentados, además de que se pudo comprobar la variación de las ondas alfa del paciente según su estado de relajación o alerta en cada caso, es recomendable realizar un sistema de filtrado mucho más robusto para aumentar la relación señal a ruido de la señal EEG, facilitar su análisis y mejorar los resultados.

Una de las principales causas de mortalidad a nivel mundial son las enfermedades cardiovasculares y cualquier esfuerzo o desarrollo en el área será fundamental en este campo. Basados en este contexto y teniendo en cuenta las cuatro cavidades cardiacas, el presente trabajo se centra en la segmentación del Ventrículo Izquierdo (VI) en fase diastólica final, con la finalidad de analizar su morfología de manera tridimensional empleando un estudio de Tomografía Computarizada Multi Corte (MSCT), la cual es muy útil en la detección de signos de enfermedad cardiaca. Esta cámara fue seleccionada ya que de las cuatro es la más susceptible a sufrir daño severo en enfermedades tales como la hipertensión arterial, aterosclerosis, etc. La base de datos fue suministrada por el Laboratoire de Traitement du Signal et de L’Image (LTSI) de la Université de Rennes I, en Francia. En total se analizaron y procesaron 112 imágenes cada una con un tamaño de 512x512 pixeles, las cuales conforman dicho volumen. A nivel metodológico se aplicó un proceso de segmentación capa a capa que permitió la generación tridimensional de los datos el cual fue comparado con el obtenido por el especialista de forma manual alcanzando un 6% de diferencia entre los dos.