FenixEdu™

Dissertação

{en_GB=Active Data Collection of Health Data in Mobile Devices} {} EVALUATED

Detalhes: {pt=Nesta tese pretendemos desenvolver um sistema de notificações inteligente, destinado a aplicações de mHealth, que melhore o compromisso a longo prazo dos utilizadores. Considera-se uma aplicação instalada no telemóvel do utilizador, que pede periodicamente informação acerca do seu estado e atividade. A metodologia proposta utiliza Aprendizagem por Reforço, permitindo a aprendizagem de quais os momentos mais oportunos para enviar notificações. Tal ocorre com base em informação facilmente acessível e que não é privada. Primariamente, utiliza-se o histórico de reacções, isto é, como o utilizador reagiu no passado às notificações recebidas. São desenhadas várias formulações deste problema, desenvolvendo variantes de cada um dos componentes que os algoritmos implementados requerem. Estes componentes são posteriormente permutados de modo a encontrar a melhor combinação de método de inicialização, algoritmo, estado e recompensa. Desenvolve-se também um simulador para reflectir o comportamento dos utilizadores. Este é utilizado para testar as combinações criadas, replicando o dia-a-dia de vários utilizadores com estilos de vida distintos. Este trabalho exibe resultados promissores e, apesar de necessitar de uma maior variedade de testes para ser totalmente validado, demonstra que um sistema eficiente e equilibrado pode ser construído usando formulações simples de um problema de Aprendizagem por Reforço. Adicionalmente, comprova que não existe a obrigatoriedade de utilizar informação sensível, como a localização ou ruído de ambiente. Esta abordagem endereça preocupações de privacidade e limita inconvenientes que o uso de sensores acarreta, como falhas na agregação de dados ou o gasto excessivo de bateria, ao não utilizar informação proveniente dos sensores do telemóvel., en=This thesis aims to develop an intelligent notification system to help sustain user engagement in mHealth applications that support self-management. We consider a mHealth application installed in the user‘s smartphone that periodically requests data about their state and activity. The proposed approach applies \ac{RL} to learn what moments are the most opportune to send notifications, using easily obtainable non-sensitive data (such as the time or day of the week) and application usage history. This history allows the \ac{RL} agent to remember how the user has reacted to notifications in the past. Various formulations of the problem are designed, developing several alternatives for the components required by the implemented \ac{RL} algorithms. Through the permutation of these components, the most desirable combination of initialization method, algorithm, state, and reward, is searched. A simulator is developed to mimic the behavior of a typical user and utilized to test the developed combinations with users experiencing distinct lifestyles. This work shows promising results and, although requiring further testing to be fully validated, demonstrates that an efficient and well-balanced notification system can be built with simple formulations of an \ac{RL} problem and algorithm. Furthermore, it proves that there is no absolute necessity for this type of system to access sensitive data such as the users’ location or surrounding noise. This approach diminishes privacy issues that might concern the user and limits sensor and hardware concerns, such as lapses in collected data or battery drainage, by not requiring any information provided by the device’s sensors.}
Keywords: {pt=mHealth, Notificações, Aprendizagem Automática, Personalização, Aprendizagem por Reforço, Recetividade, en=mHealth, Notifications, Machine Learning, Personalization, Reinforcement Learning, Receptivity}

Discussão: dezembro 10, 2021, 8:0