Aprendizado Autossupervisionado de Representação de Séries Temporais

Resumo

O monitoramento de sinais fisiológicos, sinais vitais e outros parâmetros que podem ser coletados ao longo do tempo são essenciais em diversas tarefas da área da Saúde, como a estimação de frequência cardíaca e a identificação de batimentos cardíacos anômalos. Essas séries temporais, no entanto, são obtidas por equipamentos muito custos e usualmente não portáteis. Por outro lado, com a melhoria e miniaturização de sensores capazes de transmitir vários tipos de dados, dispositivos móveis e vestíveis têm se mostrado cada vez mais como opções para dar suporte a decisões médicas. Smartphones e smartwatches possuem sensores cada vez mais precisos e diversos, fazendo com que a Organização Mundial da Saúde considere que a chamada mobile health (mHealth) pode representar uma revolução no modo como populações interagem com sistemas públicos de saúde. No entanto, há diversos desafios científicos e tecnológicos que precisam ser superados para que aplicações de mHealth sejam viáveis, na prática. Dentre esses desafios, encontra-se a necessidade de métodos de baixo custo, a heterogeneidade e multimodalidade dos dados, além da dificuldade de se obter dados anotados. Nesse cenário, este projeto propõem a investigação do uso de Aprendizado de Máquina Autossupervisionado para séries temporais em aplicações de mHealth. Ao final desta pesquisa, pretendemos configurar um novo estado-da-arte para essas aplicações e ainda disponibilizar os modelos gerados para isso, junto a todos os outros recursos que possam ser necessários para o avanço da pesquisa na mesma linha de concentração.