Entrevista com Zahra Ghorrati: desenvolvendo estruturas para reconhecimento de atividades humanas usando sensores vestíveis

Nesta série de entrevistasestamos conhecendo alguns dos Consórcio Doutoral AAAI/SIGAI participantes para saber mais sobre suas pesquisas. Zahra Ghorrati está desenvolvendo estruturas para reconhecimento de atividades humanas usando sensores vestíveis. Conversamos com Zahra para saber mais sobre esta pesquisa, os aspectos que ela achou mais interessantes e seus conselhos para futuros estudantes de doutorado.

Conte-nos um pouco sobre seu doutorado – onde você estuda e qual é o tema de sua pesquisa?

Estou fazendo meu doutorado na Purdue College, onde minha dissertação se concentra no desenvolvimento de estruturas de aprendizagem profunda escaláveis ​​e adaptativas para reconhecimento de atividade humana (HAR) usando sensores vestíveis. Fui atraído por este tópico porque os wearables têm o potencial de transformar áreas como saúde, cuidados a idosos e monitoramento de atividades de longo prazo. Ao contrário do reconhecimento baseado em vídeo, que pode levantar questões de privacidade e requer configurações fixas de câmeras, os wearables são portáteis, não intrusivos e capazes de monitoramento contínuo, tornando-os ideais para capturar dados de atividades em ambientes naturais e do mundo actual.

O desafio central que minha dissertação aborda é que os dados vestíveis costumam ser ruidosos, inconsistentes e incertos, dependendo do posicionamento do sensor, dos artefatos de movimento e das limitações do dispositivo. Meu objetivo é projetar modelos de aprendizagem profunda que não sejam apenas computacionalmente eficientes e interpretáveis, mas também robustos à variabilidade dos dados do mundo actual. Ao fazer isso, pretendo garantir que os sistemas HAR vestíveis sejam práticos e confiáveis ​​para implantação fora de ambientes de laboratório controlados.

Esta pesquisa foi apoiada pelo Polytechnic Summer time Analysis Grant em Purdue. Além do meu trabalho de dissertação, contribuo para a comunidade de pesquisa como revisor de conferências como CoDIT, CTDIAC e IRC, e fui convidado para revisar para AAAI 2026. Também estive envolvido na construção de comunidade, atuando como Organizador Native e Presidente de Segurança para a 24ª Conferência Internacional sobre Agentes Autônomos e Sistemas Multiagentes (AAMAS 2025), e continuando como Presidente de Segurança para AAMAS 2026.

Você poderia nos dar uma visão geral da pesquisa que realizou até agora durante seu doutorado?

Até agora, minha pesquisa se concentrou no desenvolvimento de uma rede neural profunda difusa hierárquica que pode se adaptar a diversos conjuntos de dados de reconhecimento de atividade humana. No meu trabalho inicial, explorei uma abordagem de reconhecimento hierárquico, onde atividades mais simples são detectadas em níveis anteriores do modelo e atividades mais complexas são reconhecidas em níveis superiores. Para melhorar a robustez e a interpretabilidade, integrei princípios de lógica difusa no aprendizado profundo, permitindo que o modelo lide melhor com a incerteza em dados de sensores do mundo actual.

Um ponto forte deste modelo é sua simplicidade e baixo custo computacional, o que o torna particularmente adequado para reconhecimento de atividades em tempo actual em dispositivos vestíveis. Avaliei rigorosamente a estrutura em vários conjuntos de dados de referência de séries temporais multivariadas e comparei sistematicamente seu desempenho com métodos de última geração, onde demonstrou precisão competitiva e melhor interpretabilidade.

Existe algum aspecto da sua pesquisa que tenha sido particularmente interessante?

Sim, o que mais me entusiasma é descobrir como diferentes abordagens podem tornar o reconhecimento da atividade humana mais inteligente e prático. Por exemplo, a integração da lógica difusa tem sido fascinante, porque permite ao modelo capturar a incerteza e a variabilidade naturais do movimento humano. Em vez de forçar classificações rígidas, o sistema pode raciocinar em termos de graus de confiança, tornando-o mais interpretável e mais próximo da forma como os humanos realmente pensam.

Também acho o design hierárquico do meu modelo particularmente interessante. Reconhecer primeiro as atividades simples e depois desenvolver comportamentos mais complexos reflete a maneira como os humanos muitas vezes entendem as ações em camadas. Esta estrutura não só torna o modelo eficiente, mas também fornece insights sobre como as diferentes atividades se relacionam entre si.

Além da metodologia, o que me motiva é o potencial do mundo actual. O facto de estes modelos poderem funcionar eficientemente em wearables significa que poderão eventualmente apoiar cuidados de saúde personalizados, cuidados a idosos e monitorização de atividades a longo prazo na vida quotidiana das pessoas. E como as técnicas que estou desenvolvendo se aplicam amplamente a dados de séries temporais, seu impacto pode se estender muito além do HAR, em áreas como diagnóstico médico, monitoramento de IoT ou até mesmo reconhecimento de áudio. Essa sensação de profundidade e versatilidade é o que torna a pesquisa especialmente gratificante para mim.

Quais são seus planos para desenvolver sua pesquisa até agora durante o doutorado – que aspectos você investigará a seguir?

No futuro, pretendo melhorar ainda mais a escalabilidade e adaptabilidade da minha estrutura para que ela possa lidar com conjuntos de dados de grande escala com eficácia e oferecer suporte a aplicativos em tempo actual. Um foco principal será melhorar a eficiência computacional e a interpretabilidade do modelo, garantindo que ele seja não apenas poderoso, mas também prático para implantação em cenários do mundo actual.

Embora a minha investigação atual se concentre no reconhecimento da atividade humana, estou entusiasmado por alargar o âmbito ao domínio mais amplo da classificação de séries temporais. Vejo um grande potencial na aplicação da minha estrutura a áreas como classificação de som, análise de sinais fisiológicos e outros domínios dependentes do tempo. Isso me permitirá demonstrar a generalização e a robustez da minha abordagem em diversas aplicações onde os dados baseados no tempo são críticos.

No longo prazo, meu objetivo é desenvolver um modelo unificado e escalável para análise de séries temporais que equilibre adaptabilidade, interpretabilidade e eficiência. Espero que tal estrutura possa servir de base para o avanço não apenas da HAR, mas também de uma ampla gama de aplicações de saúde, ambientais e baseadas em IA que exigem tomadas de decisões em tempo actual e baseadas em dados.

O que te fez querer estudar IA, e em explicit a área de wearables?

Meu interesse por wearables começou durante minha estada em Paris, onde fui apresentado pela primeira vez ao potencial do monitoramento baseado em sensores na área da saúde. Fiquei imediatamente atraído pela forma como os wearables discretos e não invasivos são comparados aos métodos baseados em vídeo, especialmente para aplicações como cuidados a idosos e monitoramento de pacientes.

De forma mais ampla, sempre fui fascinado pela capacidade da IA ​​de interpretar dados complexos e descobrir padrões significativos que podem melhorar o bem-estar humano. Os wearables ofereceram a intersecção perfeita dos meus interesses, combinando técnicas de IA de ponta com impacto prático e no mundo actual, o que naturalmente me levou a concentrar a minha investigação nesta área.

Que conselho você daria para alguém que está pensando em fazer um doutorado na área?

Um PhD em IA exige conhecimento técnico e resiliência. Meu conselho seria:

• Mantenha-se curioso e adaptável, porque as direções da pesquisa evoluem rapidamente e a capacidade de dinamizar ou explorar novas ideias é inestimável.
• Investigue a combinação de disciplinas. A IA se beneficia muito de insights em áreas como psicologia, saúde e interação humano-computador.
• Mais importante ainda, escolha um problema pelo qual você seja realmente apaixonado. Essa paixão irá sustentá-lo durante os inevitáveis ​​desafios e contratempos da jornada do doutorado.

Abordar sua pesquisa com curiosidade, abertura e interesse genuíno pode tornar o doutorado não apenas um desafio, mas uma experiência profundamente gratificante.

Você poderia nos contar um fato interessante (não relacionado à IA) sobre você?

Fora da pesquisa, sou apaixonado por liderança e construção de comunidades. Como presidente do Purdue Tango Membership, aumentei o grupo de apenas 2 alunos para mais de 40 membros ativos, organizei aulas semanais e organizei grandes eventos com instrutores reconhecidos internacionalmente. Mais importante ainda, concentrei-me em criar uma comunidade acolhedora onde os alunos se sentissem conectados e apoiados. Para mim, o tango é mais que dança, é uma forma de unir pessoas, unir culturas e equilibrar a intensidade da pesquisa com criatividade e alegria.

Também aplico essas habilidades na liderança acadêmica. Por exemplo, atuo como organizador native e presidente de segurança das conferências AAMAS 2025 e 2026, o que me proporcionou experiência prática no gerenciamento de eventos, na coordenação de equipes e na criação de espaços inclusivos para pesquisadores em todo o mundo.

Sobre Zahra

Zahra Ghorrati é doutoranda e professora assistente na Purdue College, com especialização em inteligência synthetic e classificação de séries temporais com aplicações em reconhecimento de atividades humanas. Ela obteve seu diploma de graduação em Engenharia de Software program de Computação e seu mestrado em Inteligência Synthetic. Sua pesquisa se concentra no desenvolvimento de modelos de aprendizagem profunda fuzzy escaláveis ​​e interpretáveis ​​para dados de sensores vestíveis. Ela apresentou seu trabalho nas principais conferências e periódicos internacionais, incluindo AAMAS, PAAMS, FUZZ-IEEE, Acesso IEEESistema e Computação Suave Aplicada. Ela atuou como revisora ​​do CoDIT, CTDIAC e IRC, e foi convidada para revisar a AAAI 2026. Zahra também contribui para a construção da comunidade como organizadora native e presidente de segurança da AAMAS 2025 e 2026.