Banca de DEFESA: MAYNARA DONATO DE SOUZA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: MAYNARA DONATO DE SOUZA
DATA : 20/02/2024
HORA: 08:00
LOCAL: Virtual
TÍTULO:

Using Generative Methods for Enhancing Wearable Device Data via 
Synthetic Samples

PALAVRAS-CHAVES:

Dispositivos vestíveis. Modelos Generativos. Reconhecedor 
de Atividades Humanas.

PÁGINAS: 70
RESUMO:

Os dispositivos vestíveis oferecem uma maneira conveniente e prática de 
monitorar a saúde e o bem-estar dos usuários. Esses equipamentos podem 
monitorar sinais como frequência respiratória, nível de oxigênio no sangue, 
calorias queimadas, padrões de sono, temperatura e movimentação corporal. A 
combinação dessas informações com técnicas de Aprendizagem de Máquina (ML) 
permite, além de monitorar, classificar e realizar prescrições das 
atividades realizadas pelos usuários, fornecendo insights sobre a saúde, 
comportamento, hábitos e estilo de vida do usuário. Apesar de uma gama de 
aplicabilidades, o uso desta tecnologia enfrenta desafios desde a aquisição 
dos dados até a qualidade das prescrições realizadas, especialmente pra 
novos usuários. Outro ponto crucial no uso desta tecnologia são questões de 
privacidade e segurança dos dados dos usuários. Estes fatores contribuem 
para a escassez de dados úteis para o treinamento dos modelos baseados em 
Aprendizagem de Máquina. Esta dissertação aborda o desafio de gerar dados 
sintéticos para sensores de dispositivos móveis usando modelos generativos. 
O desafio no desenvolvimento destes modelos aumenta se considerarmos que os 
dados dos sensores correspondem a dados temporais em diferentes dimensões. 
São propostas novas estratégias para geração de dados sintéticos baseados 
em Generative Adversarial Network (GAN) e Large Language Models (LLM) para 
séries temporais de sinais de sensores de dispositivos vestíveis.   
Comparamos nossas abordagens com modelos estado-da-arte e conduzimos uma 
investigação experimental sobre o uso destes modelos para aumento de dados, 
incluindo um estudo abrangente sobre a qualidade dos dados sintéticos 
gerados e seu impacto no desempenho do classificador utilizado. Nossas 
descobertas sugerem que exemplos sintéticos podem melhorar o desempenho de 
modelos treinados, especialmente quando a quantidade de dados reais é 
limitada. A partir dos resultados obtidos, identificamos que a qualidade 
dos dados sintéticos é mais importante do que a quantidade na melhoria do 
desempenho do classificador treinado. Além das técnicas de geração de dados 
sintéticos, a dissertação oferece insights sobre como lidar com a escassez 
de dados reais em classificadores de atividades e como avaliar a qualidade 
destes dados.

MEMBROS DA BANCA:
Interno - 1675582 - CLEBER ZANCHETTIN
Externo à Instituição - LEONARDO NOGUEIRA MATOS - UFS
Presidente - 1511095 - TSANG ING REN