La información sobre la adquisición de los registros cardiovasculares para construir una Base de entrenamiento (TS), se describe en documento [1]. Los vectores de entrada son señales procesadas utilizando algoritmos protegidos [2] a partir de la Fotopletismografía (PPG) sin procesar. Para registrar PPG se utiliza módulos BN-PPGED de Bionomadix en Sistema BIOPAC. Los vectores objetivo (o Target) son las ondas de Presión Arterial o sus valores Sistólico o Diastólico, medidos con equipo Finapres NOVA. En [1] se usa cálculo fraccionario para ajustar la onda del PPG a la onda de Presión Arterial registrada en el dedo (fiAP). Parte de los datos utilizados está disponible en Physionet [3]. El TS completo, mínimamente documentado, con Licencia Creative Commons está en [4]. En ese sitio, el archivo "Training_Set_nImI_estimates" está organizado en 8 subarchivos primarios con un total, alrededor de más de 250 subarchivos disímiles secundarios con datos cardiovasculares (CVD) no estructurados y no invasivos obtenidos de sujetos sanos y de pacientes afectados por la enfermedad de Parkinson (PK) o Neuropatía Diabética (DN) y sus controles. Los subarchivos primarios se denominan y contienen CVD de diferentes sesiones, según: 24H: sujeto sano durante 24 horas; DNC ó DNP: Neuropatía Diabética, Control ó Paciente; HGP: sujeto sano durante maniobra Handgrip (HG); HMH: sujeto saludable durante una sesión con ensayos HG / Visionado de Cine (M) / HG; PKC ó PKP: Enfermedad de Parkinson, Control ó Paciente, TOC: Sujeto sano oclusión unilateral de los muslos [5]. Se utiliza formatos TXT y ACQ®, (extensión propietaria de BIOPAC) para los CVD. La estructura de datos en los distintos archivos secundarios es una matriz de 12 columnas y n filas. Cada fila corresponde al instante i (con 0 d i d n), de una forma de onda cardiovascular muestreada a 200Hz, o tendencia evaluada dentro de cada latido cardiaco. Las formas de onda son de dos PPG grabados 2 puntos de superficie corporal, un canal de ECG, y Presión Arterial registrada en un dedo y/o de la Presión Braquial reconstruida. Los PPG se registran de modo continuo utilizando el sistema BIOPAC y la forma de onda BP se registra continuamente utilizando la técnica de "clamp de volumen". Durante los registros se usa plantillas específicas para las columnas según sesión. Los siguientes parámetros de grabación se pueden encontrar en las diferentes plantillas: Ancho de Banda de Filtro pasabanda, Área de Superficie Corporal (BSA), Gasto Cardiaco (CO), Complianza de Windkessel (Cw), mano o pie hábil ó no hábil, ECG, ritmo cardiaco (HR), Tiempo de Eyección del Ventrículo Izquierdo (LVET), PPG registrada en mano o pie, Onda de Presión Arterial Braquial reconstruida (reBP), Resistencia Periférica Total (TPR), Señal Respiratoria (RS), frecuencia de muestreo (SR), e Impedancia Aórtica (AZ). Los datos estructurados, asociados a los CVD, se construyen a través de un cuestionario basado en la Guía Clínica de AHT del Ministerio de Salud de Chile [6]. Para potenciar la masificación y mejorar la parametrización de los registros de PPG, se diseñó y desarrolló en Valparaíso una plataforma programable basada en Android, que actúa como un Módulo de Adquisición de Datos [7]. El desarrollo realizado conjuntamente entre U. Valparaíso y la PYME LOBO EIRL de la zona. Por otro lado, se probaron diversas máquinas de aprendizaje, tales como Backpro, TPS y SVM [8], Extreme Learning Machine (ELM) [9] y Deep Learning (DL) [10], e incluso considerando ensayos psicofísicos [11], en cientos de arquitecturas y con datos incrementales. Los mejores resultados se obtuvieron utilizando ELM y DL, lográndose los siguientes errores cuadráticos medios intra-individuales en 15 sujetos. Para DL, con una arquitectura ML común de 9,3 ± 0,5% en reSYS y 12,1 ± 3,3% en reDIA. Para ELM, con arquitecturas ML personalizadas, 5,0 ± 2,7 en reSYS y 7,0 ± 4,0%. Los resultados son, por ahora, no generalizables entre individuos, por lo que se requiere expandir la TS y realizar análisis de agrupamiento de sujetos y/o condiciones clínicas o fisiológicas de modo de transformar TS en una Base de Datos Big Data. El resumen ejecutivo está basado en el trabajo [12] REFERENCIAS de Trabajos efectuados durante ejecución proyecto FONDEF IT13/20060. [1]Tapia G., Salinas M., Plaza J., Mellado D., Salas R., Saavedra C., Veloz A., Arriola A., Idiáquez J., Antonio Glaría1 (2017)FONDEFFONDEFFinalizado