Algoritmos de aprendizado semissupervisionados no domínio de mHealth

• Processo: 23/05171-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de maio de 2023
• Data de Término da vigência: 31 de março de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Yuri Gabriel Aragão da Silva
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 22/03176-1 - Aprendizado de máquina para séries temporais em aplicações de mHealth, AP.PNGP.PI
• Assunto(s): Aprendizado computacional Aprendizado semissupervisionado Telemedicina
• Palavra(s)-Chave do Pesquisador: Aprendizado Semissupervisionado | mHealth | 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. No entanto, a obtenção de dados anotados, especialmente no domínio de Saúde, pode ser uma tarefa muito custosa. Porém, em alguns casos, é possível obter rótulos para parte dos dados. Esse cenário configura o aprendizado semissupervisionado, uma categoria de algoritmos de Aprendizado de Máquina capaz de utilizar a informação contida em poucos exemplos anotados para obter modelos potencialmente melhores do que aqueles induzidos sem qualquer tipo de supervisão ou apenas com os poucos dados rotulados presentes no conjunto. O aprendizado semissupervisionado também pode englobar outras suposições sobre as anotações dos dados, como nos casos de aprendizado de única classe e com exemplos positivos e não rotulados. Neste trabalho, consideramos de extrema relevância explorar as potencialidades do Aprendizado de Máquina para séries temporais em aplicações de mHealth com as diferentes suposições de anotação descritas. Por isso, esta atividade tem o objetivo central de adaptar ou criar algoritmos e arquiteturas neurais a partir de aprendizado semissupervisionado para esse domínio de aplicação. (AU)