Este documento tiene como objetivo diseñar un biosensor inteligente para predecir señales de electrocardiograma (ECG) en un sitio específico de auscultación a partir de otras señales de ECG medidas en otros sitios de medición. El diseño propuesto se basa en una arquitectura híbrida que utiliza el modelo de Redes Neuronales Artificiales (ANNs) y el optimizador Taguchi para evitar los problemas de los hiperparámetros de la ANN y mejorar su precisión. El enfoque propuesto tiene como objetivo optimizar el número y tipo de entradas a considerar para el modelo de ANN. De hecho, se consideran diferentes combinaciones para encontrar la combinación de entradas óptima para la mejor calidad de predicción. Al identificar los factores que influyen en la predicción de un modelo y su grado de importancia a través del optimizador Taguchi modificado, el biosensor desarrollado mejora la precisión de predicción de las señales de ECG recopiladas de diferentes sitios de auscultación en comparación con el biosensor basado en ANN. Según una base de datos real, los resultados de la simulación muestran que esta mejora es significativa; puede alcanzar más del 94% de precisión.