tercjowych w 50 przedziałach (okienkach) czasowych. Zatem sieć będzie musiała mieć N = 800 jednostek wejściowych (po jednej dla każdego parametru) oraz M = 7 jednostek wyjściowych (liczba stanów patologicznych), jak również pewną liczbę jednostek neuropodobnych w warstwach ukrytych. Aby nauczyć taką sieć, na jej wejścia doprowadzamy sekwencje wartości <gap>, dla każdej wypowiedzi testowej pacjenta, a sieć porównuje aktywność każdej z 7 jednostek wyjściowych z informacją uczącą, do której klasy stanu należy dana sekwencja 1. Obliczany zostaje błąd (np. jako kwadrat różnicy pomiędzy aktywnością aktualną i oczekiwaną wyjść), a następnie zostaje zmieniana waga każdego połączenia, tak aby zredukować ten błąd. Proces jest powtarzany dla