07 mai 2024
10:00 Defesa de Mestrado Auditório do IC3
Tema
Detecção de sedentarismo via biosinais, aprendizado de máquina e análise visual
Aluno
Alexis Aldo Mendoza Villarroel
Orientador / Docente
Anderson de Rezende Rocha
Breve resumo
O sedentarismo tem sido associado a doenças como diabetes tipo 2, síndrome metabólica, câncer, obesidade e aumento da mortalidade por todas as causas e por DCV. Durante atividades sedentárias, o gasto energético do corpo é mínimo, pois os indivíduos se envolvem em atividades que exigem pouco esforço físico. Existem poucos métodos de Aprendizado de Máquina (ML) para avaliação da intensidade da atividade física e alguns desafios que precisam ser enfrentados como: a falta de conjuntos de dados de referência que permitam a comparação direta de abordagens de ML, a investigação do desempenho de generalização dos métodos de ML; incluem a interpretabilidade dos dados sensoriais e a capacidade de compreender que parte dos dados facilita o reconhecimento e qual parte o deteriora. Construímos uma rede neural baseada em autoatenção composta por redes neurais convolucionais 1D, que utiliza um mecanismo de atenção que aproveita incorporações de modalidade de sensor e incorporações de modalidade de domínio para criar uma representação de recurso usada para avaliação de intensidade de atividade física. Observamos que as atenções das modalidades produzidas pelo nosso modelo podem captar a importância das modalidades. Criamos uma estrutura interativa que fornece uma visão geral dos conjuntos de dados. Com o framework realizamos a redução da dimensionalidade dos embeddings produzidos pelo nosso modelo. Além disso, ao acoplar visualizações interativas e os resultados do modelo (modalidades atenções e previsões), nosso framework permite a interpretação das decisões do modelo. Realizamos extensos experimentos em vários conjuntos de dados disponíveis publicamente; também exploramos a capacidade preditiva da IMU e dos sinais fisiológicos coletados do Samsung Smartwatch para detectar sedentarismo. Nosso modelo obteve melhor desempenho em comparação com cinco métodos de ML para estimativa de intensidade de atividade física. Particularmente, alcançamos uma melhoria significativa no desempenho na avaliação de conjuntos de dados cruzados. Também demonstramos a eficácia de nossa ferramenta para capturar a importância da modalidade e posicionamento dos sensores, bem como a capacidade de analisar as previsões dos modelos.
Banca examinadora
Titulares:
Anderson de Rezende Rocha IC/UNICAMP
João Paulo Papa FC/UNESP
Jacques Wainer IC/UNICAMP
Suplentes:
Levy Boccato FEEC/UNICAMP
Celmar Guimaraes da Silva FT/UNICAMP