La estimación precisa de la matriz de impedancias es un elemento clave para el modelado eléctrico y la optimización de estrategias de estimulación en implantes cocleares. Esta matriz describe la relación entre las corrientes inyectadas por los electrodos y los potenciales eléctricos medidos, proporcionando una representación indirecta de la distribución del campo eléctrico en el interior de la cóclea. En particular, los términos diagonales de la matriz, asociados a la impedancia de contacto electrodo–tejido, juegan un papel fundamental en la focalización de la estimulación y en el consumo energético. No obstante, estos términos no pueden medirse directamente en condiciones clínicas y, en la práctica, se estiman mediante extrapolaciones simples a partir de términos fuera de la diagonal, lo que introduce errores sistemáticos y limita la fiabilidad de los modelos. En este trabajo se propone un marco híbrido basado en el método de los elementos finitos (FEM) y redes neuronales artificiales (ANN) para la estimación robusta de los términos diagonales de la matriz de impedancias en implantes cocleares. Las matrices de impedancia generadas mediante FEM se utilizan como conjunto de referencia para entrenar una red neuronal supervisada, formulada como un problema de regresión. Finalmente, se evalúa el impacto práctico de las matrices de impedancia obtenidas mediante ANN en estrategias de estimulación multipolar tipo phased-array. Los resultados muestran que las matrices generadas por la red neuronal permiten alcanzar niveles de focalización del campo eléctrico comparables a los métodos clásicos, pero con un menor consumo energético, lo que resulta relevante tanto desde el punto de vista clínico como computacional.