Android se ha convertido en el sistema operativo líder para dispositivos móviles, y el más atacado por malware. Por lo tanto, se han propuesto muchos métodos de análisis para detectar malware en Android. Sin embargo, pocos de ellos utilizan conjuntos de datos adecuados para la evaluación. En este documento, proponemos BrainShield, un modelo híbrido de detección de malware entrenado en el conjunto de datos Omnidroid para reducir los ataques en dispositivos Android. Este último es el conjunto de datos más diversificado en términos del número de características diferentes, y contiene el mayor número de muestras, 22,000 muestras, para la evaluación del modelo en el campo de detección de malware en Android. La implementación de BrainShield se basa en una arquitectura cliente/servidor y consta de tres redes neuronales totalmente conectadas: (1) la primera se utiliza para análisis estático y alcanza una precisión del 92.9% entrenada en 840 características estáticas; (2) la segunda es una red neuronal dinámica que alcanza una precisión del 81.1% entrenada en 3722 características dinámicas; y (3) la tercera red neuronal propuesta es híbrida, alcanzando una precisión del 91.1% entrenada en 7081 características estáticas y dinámicas. Los resultados de la simulación muestran que BrainShield es capaz de mejorar la precisión y la precisión de los métodos de detección de malware conocidos.