Aprendizado de Máquina para Séries Temporais em Aplicações de mHealth - Algoritmos de Aprendizado Semissupervisionados

• Processo: 25/13341-8
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de setembro de 2025
• Data de Término da vigência: 30 de abril de 2029
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Giovani Decico Lucafó
• 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 semissupervisionado Multimodalidade Análise de séries temporais Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado Semi-supervisionado | Multimodalidade | 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. 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. Neste trabalho, consideramos de extrema relevância explorar as potencialidades do Aprendizado de Máquina para séries temporais em aplicações na saúde com diferentes suposições de anotação de sinais fisiológicos. Ainda, consideramos que esses sinais podem medir diferentes parâmetros, como ECG e PPG, portanto precisam ser tratados como dados multimodais. 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)