Algoritmos off-the-shelf de Classificação e Regressão Extrínseca

• Processo: 24/07047-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2024
• Data de Término da vigência: 31 de maio de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Gabriel da Costa Merlin
• 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 Classificação Análise de séries temporais Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Classificação | Regressão Extrínseca | Séries Temporais | Inteligência Artificial

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 custosos 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 propõe a investigação do desempenho de algoritmos de Aprendizado de Máquina para séries temporais aplicados a dados de saúde com diferentes níveis de disponibilidade de recursos. Ao final desta pesquisa, pretendemos ter um amplo e profundo panorama da qualidade de algoritmos no domínio de sinais fisiológicos como ECG e PPG com poucos e muitos exemplos anotados, baixa e alta taxa de amostragem e variados números de pacientes no conjunto de dados.