Aprendizado de máquina para séries temporais em aplicações de mHealth

• Processo: 22/03176-1
• Modalidade de apoio: Auxílio à Pesquisa - Projeto Inicial
• Data de Início da vigência: 01 de fevereiro de 2023
• Data de Término da vigência: 31 de janeiro de 2028
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Diego Furtado Silva
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Pesquisadores associados: Audrey Borghi Silva ; Eamonn John Keogh ; Germain Forestier ; Gustavo Enrique de Almeida Prado Alves Batista ; Ricardo Cerri ; Ricardo Marcondes Marcacini ; Thiago Mazzu Do Nascimento
• Auxílio(s) vinculado(s): 24/09747-6 - Modelos neurais com recursos limitados para classificação de séries temporais e regressão extrínseca, AP.R SPRINT
• Bolsa(s) vinculada(s): 25/04971-8 - Algoritmos off-the-shelf de Classificação e Regressão Extrínseca, BP.MS; 24/14856-9 - Destilação de Conhecimento para Modelos de Séries Temporais, BP.MS; 24/07016-4 - Aprendizado Autossupervisionado de Representação de Séries Temporais, BP.DR; + mais bolsas vinculadas 24/07047-7 - Algoritmos off-the-shelf de Classificação e Regressão Extrínseca, BP.IC; 23/05041-9 - Adaptação de Algoritmos de Classificação para Regressão de Séries Temporais, BP.IC; 23/05171-0 - Algoritmos de aprendizado semissupervisionados no domínio de mHealth, BP.DD; 23/03069-3 - Séries Temporais em Aplicações de mHealth: Definição de Tarefas e Coleta de Dados, BP.IC; 23/02680-0 - Transferência de Aprendizado para Lidar com Heterogeneidade entre Dispositivos, BP.MS - menos bolsas vinculadas
• Assunto(s): Aprendizado computacional Dispositivos móveis Análise de séries temporais Saúde Telemedicina
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Dispositivos Móveis | mHealth | Saúde | Séries Temporais | Aprendizado de Máquina

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. \textit{Smartphones} e \textit{smartwatches} possuem sensores cada vez mais precisos e diversos, fazendo com que a Organização Mundial da Saúde considere que a chamada \textit{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, encontram-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 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. (AU)

Publicações científicas

(4)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

BARBOSA DE MEDEIROS JUNIOR, JOSE GILBERTO; DE MITRI, ANDRE GUARNIER; SILVA, DIEGO FURTADO. Semi-periodic Activation for Time Series Classification. INTELLIGENT SYSTEMS, BRACIS 2024, PT IV, v. 15415, p. 15-pg., 2025-01-01. (23/11775-5, 23/02680-0, 22/03176-1, 23/11745-9, 23/05041-9)

SILVA, RAFAEL DA COSTA; SILVA, DIEGO FURTADO. Tackling Low-Resource ECG Classification with Self-supervised Learning. INTELLIGENT SYSTEMS, BRACIS 2024, PT IV, v. 15415, p. 15-pg., 2025-01-01. (24/07016-4, 22/03176-1)

SILVA, DIEGO F.; JUNIOR, JOSE G. B. DE M.; DOMINGUES, LUCAS V.; MAZRU-NASCIMENTO, THIAGO; ALMEIDA, JR; SPILIOPOULOU, M; ANDRADES, JAB; PLACIDI, G; GONZALEZ, AR; SICILIA, R; et al. Hemoglobin Estimation from Smartphone-Based Photoplethysmography with Small Data. 2023 IEEE 36TH INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS, CBMS, v. N/A, p. 4-pg., 2023-01-01. (23/02680-0, 22/03176-1)

GUIJO-RUBIO, DAVID; MIDDLEHURST, MATTHEW; ARCENCIO, GUILHERME; SILVA, DIEGO FURTADO; BAGNALL, ANTHONY. Unsupervised feature based algorithms for time series extrinsic regression. DATA MINING AND KNOWLEDGE DISCOVERY, v. 38, n. 4, p. 45-pg., 2024-05-19. (22/12486-4, 22/00305-5, 22/03176-1)