El reconocimiento de patrones es el estudio de cómo un sistema automatizado puede observar el ambiente, aprender a distinguir patrones de interés, y tomar decisiones razonables con base en dichos patrones. La identificación, la descripción, la clasificación y el agrupamiento de patrones son problemas importantes en una amplia gama de desarrollos de ingeniería y de disciplinas científicas tales como la biología, la sicología, la sociología, la medicina, la economía, la visión artificial, la inteligencia artificial, la producción industrial, etcétera [1]. En muchos problemas de reconocimiento de patrones se cuenta con etapas de caracterización que proveen una gran cantidad de datos acerca de los objetos que se analizan, dicha situación es común cuando se trabajan señales de voz, de electrocardiografía, de fonocardiografía, de electroencefalografía, imágenes médicas, entre otras. En estas condiciones, aplicar técnicas de clasificación (supervisada o no) de forma directa sobre dichos registros es inconveniente, porque al emplear conjuntos de datos de alta dimensión y un número reducido de observaciones, surgen problemas inherentes en la estimación de los parámetros del método de aprendizaje que se emplee. Por tanto, antes de que tales métodos puedan ser usados, con una razonable esperanza de generalización, un pequeño número de características relevantes deben ser extraídas, es decir, la dimensión del espacio de características debe ser reducida [4]. Con el fin de mejorar el desempeño de los sistemas de reconocimiento automático de patrones en bioseñales, se pretende desarrollar un método de reducción de dimensión, que permita trabajar con datos funcionales multivariados, empleando inmersiones a espacios euclídeos que preserven las relaciones locales existentes entre los datos y que consideren la información de etiqueta de las observaciones durante el proceso de transformación, de tal modo que la estrategia de aprendizaje brinde un enfoque discriminativo.