O câncer de mama é considerado a principal causa de morte entre as mulheres em todo o mundo. O subtipo triplo-negativo (TNBC) tem alta relevância clínica, pois está associado a pior prognóstico e possui opções terapêuticas mais limitadas, devido à ausência de receptores hormonais e HER2, o que restringe o uso de terapias-alvo empregadas em outros subtipos. Nesse contexto, a análise do microambiente tumoral por meio da fenotipagem celular torna-se fundamental para apoiar o prognóstico de pacientes. Este trabalho propõe um método de fenotipagem celular em imagens MIBI-TOF que integra segmentação por instância e classificação hierárquica de células, além de investigar o impacto da qualidade da segmentação no desempenho da classificação. Na etapa de segmentação, as imagens de entrada são construídas a partir de canais com marcadores nucleares, divididas em recortes sobrepostos nas bordas e posteriormente reconstruídas em imagens inteiras por ponderação de Hann nas regiões de sobreposição, a fim de evitar distorções. Foram comparados modelos baseados em U-Net com diferentes backbones convolucionais e arquiteturas transformers híbridas, bem como o efeito da espessura da borda celular e de comitês de probabilidades em conjunto com técnicas de pós-processamento inspiradas no método Mesmer. A configuração de segmentação selecionada foi então integrada ao pipeline de classificação. A classificação fenotípica foi realizada de forma hierárquica e progressiva, combinando uma classificação geral das principais populações celulares do microambiente tumoral com refinamentos especializados para subtipos imunes, tumorais e estromais, organizados em níveis biologicamente interpretáveis. O método de classificação proposto utiliza características morfológicas e de expressão extraídas de múltiplos canais das imagens originais, com seleção por importância. A abordagem também trata o desbalanceamento severo entre classes, característico desse problema, especialmente nos níveis mais específicos da hierarquia, nos quais subtipos raros apresentam baixa representatividade. As avaliações foram realizadas em um conjunto público de imagens de TNBC com 211.880 células anotadas para segmentação, utilizando validação cruzada estratificada por paciente. A segmentação proposta obteve F1-Score de 0,92 e mDice de 0,91, demonstrando que redes transformers híbridas combinadas com borda otimizada podem refinar a segmentação, maximizando o número de células corretamente segmentadas sem perda excessiva de desempenho. Na classificação fenotípica, a abordagem utilizou configurações de estratificação e validação cruzada idênticas às da segmentação, com uma estrutura hierárquica composta por um classificador no nível geral e classificadores especialistas para as tarefas imune, tumoral e estromal no segundo nível. No primeiro nível, foram classificadas 141.588 células em classes gerais. No cenário com máscaras de referência, o comitê adotado como modelo de referência alcançou F1-macro de 0,84 e Kappa aproximado de 0,84. No cenário com máscaras preditas, o modelo manteve valores próximos aos obtidos com máscaras de referência, com F1-macro de 0,83 e Kappa aproximado de 0,84, além de retenção de 94,79% das instâncias. Esses resultados indicam que os erros de segmentação não alteraram substancialmente a caracterização fenotípica global do microambiente tumoral, embora possam afetar com maior sensibilidade populações celulares raras. A análise conjunta mostrou que a estratégia de segmentação influencia diretamente o desempenho da classificação fenotípica, reforçando a importância de soluções integradas. Os resultados obtidos são promissores, e o método desenvolvido pode ser testado em sistemas de fenotipagem celular para câncer de mama, com potencial de adaptação para outros tipos de tumor.

A reconstrução de imagens contaminadas por ruído é de fundamental importância nas etapas de pré-processamento de dados, especialmente em aplicações de processamento digital de imagens. Na maioria das aplicações práticas envolvendo aquisição de imagens, os ruídos introduzidos nesse processo são de natureza conhecida, sendo o mais comum o ruído gaussiano branco aditivo. Nesse contexto, algoritmos de otimização contínua têm ganhado destaque, como o Método do Ponto Proximal (Proximal Point Method -- PPM), quando aplicado a tarefas de remoção de ruído e filtragem de imagens. Neste trabalho, propomos uma versão acelerada do PPM para remoção de ruído em imagens, denominada nmPPMDC, utilizando um modelo de Variação Total (Total Variation - TV) não convexo. Além disso, é proposta uma versão inercial, denominada Inertial nmPPMDC, que consiste em uma generalização do método do ponto proximal para problemas de otimização por Diferença de Convexas (nmPPMDC), também aplicada à remoção de ruído gaussiano com modelo TV não convexo. A principal característica que distingue o algoritmo Inertial nmPPMDC é o cálculo de um termo inercial que combina informações das duas iterações mais recentes, o qual é utilizado como ponto de referência tanto no subproblema proximal quanto na busca linear não monótona associada. Essa estratégia inercial tem como objetivo melhorar o desempenho computacional do método, preservando, ao mesmo tempo, a robustez do arcabouço proximal DC. Experimentos numéricos são realizados com imagens sintéticas e imagens médicas reais corrompidas por ruído gaussiano com diferentes variâncias. Os métodos propostos são comparados com abordagens relacionadas baseadas em programação DC para remoção de ruído em imagens, incluindo o Smooth BDCA e o nmBDCA. Para garantir uma comparação justa entre os métodos, são realizadas varreduras sistemáticas do parâmetro de regularização para cada nível de ruído, com a seleção dos valores ótimos baseada nas métricas SSIM e PSNR. Os resultados numéricos indicam que a versão Inertial nmPPMDC supera consistentemente os métodos concorrentes em termos de qualidade de reconstrução e eficiência computacional, resultando em um desempenho global superior.

A depressão é uma grave patologia psicossocial que produz alteração de humor, caracterizada por um forte sentimento de desesperança e tristeza profunda. Em estágios avançados, pode predispor os pacientes a pensamentos suicidas, destacando a importância de definir estratégias que proporcionem diagnósticos mais assertivos. Tradicionalmente, abordagens convencionais de diagnóstico baseiam-se em entrevistas semiestruturadas e questionários complementares. Ao agregar esses métodos a uma análise criteriosa de dados que incorpora características faciais, sinais de áudio e transcrições textuais, é possível obter indícios valiosos e rastrear a presença do transtorno. Posto isso, a presente tese introduz um modelo bimodal Ensemble Stacking Deep Neural Networks Multilevel aplicado ao reconhecimento da depressão em pacientes predispostos. A abordagem combina modelos base (DNNs_N1) juntamente a um metamodelo (DNN_N2), ambos os modelos baseados em arquiteturas de deep learning, capazes de processar informações audiovisuais e audiotextuais em diferentes níveis. A solução também aborda os desafios provenientes de múltiplas fontes, que incluem desbalanceamento de classes, alta variância e elevada dimensionalidade. Além disso, o estudo realizou uma extensa avaliação do método em datasets de referência, como o DAIC-WOZ, sua versão estendida, EDAIC, o MODMA e o D-Vlog. Ao todo, 11 metamodelos foram envolvidos na avaliação, incluindo arquiteturas como BiLSTM, Transformer, DCNN, TCN e classificadores ensemble como o RandomForest e o XGBoost. À medida que se incorporaram volumes expressivos de informações à análise, os resultados destacaram os metamodelos baseados em deep learning. Em especial, a arquitetura BiLSTM, que alcançou um grau de separabilidade, sensibilidade e especificidade satisfatório na avaliação de desempenho Cross-Datasets Validation, ao sobressair-se dos demais no tocante às métricas F1-score, AUC-ROC e AUC-PR. Para tornar mais clara a compreensão do processo decisório, mecanismos de explicabilidade foram empregados para interpretar as decisões do referido metamodelo. Adicionalmente, nos datasets multimodais D-Vlog (maior em quantidade de instâncias) e EDAIC obteve, respectivamente, 75,0% e 60,2% de Precisão; 82,9% e 70,6% de Recall; 78,7% e 64,8% de F1-score. Esses resultados atestam não apenas a eficácia da metodologia desenvolvida, mas também sua superioridade frente às abordagens reportadas na literatura, com significância estatística confirmada no dataset D-Vlog.

Electric grids have evolved into Smart Grids (SGs), with the deployment of Advanced Metering Infrastructure (AMI) systems being a key component of this transformation. An AMI system comprises Smart Meters (SMs) that collect energy consumption data and transmit it to the utility through base stations known as Data Aggregation Points (DAPs). In this context, the advancement of the Internet of Things (IoT) paradigm makes the adoption of a communication infrastructure based on Long Range Wide-Area Network (LoRaWAN) advantageous. However, AMI data transmission over LoRaWAN requires careful planning, particularly concerning the placement and quantification of Gateways (GWs) operating as DAPs, as well as the development of transmission parameter allocation mechanisms capable of satisfying Quality of Service (QoS) requirements. To address these challenges, a set of solutions was developed and evaluated through simulations with up to 5,000 SMs. A computational heuristic combined with clustering techniques was employed to determine the x and y coordinates of the DAPs, with Fuzzy C-Means achieving up to a 37.04% reduction in the number of DAPs and collision rates below 5% in low-density scenarios. Furthermore, the proposed static allocation mechanisms, based on reception sensitivity and transmission success probability, further reduce the number of DAPs and achieve up to 532.95% higher energy efficiency compared to alternative solutions, while ensuring superior overall satisfaction of application requirements. Finally, future work includes applying metaheuristics for DAPs placement, developing dynamic allocation mechanisms, and testing the proposed solutions in real-world environments.

Apesar dos avanços em Inteligência Artificial (IA), modelos de Machine Learning e Deep Learning ainda carecem de transparência e explicabilidade, sendo tratados como “caixas-pretas”. Este trabalho aborda o problema das correlações espúrias — associações entre padrões e classes sem relação causal — que, em tarefas de classificação binária em Processamento de Linguagem Natural (PLN), comprometem a precisão, a imparcialidade e a generalização dos modelos. Propomos um método que combina técnicas de Inteligência Artificial Explicável (XAI) e aprendizado não supervisionado para identificar e graduar padrões espúrios. Utilizando o algoritmo K-means, os padrões são agrupados e analisados pela distância aos centroides, sob a hipótese de que distâncias maiores indicam maior grau de espuriedade. A abordagem considera a influência desses padrões sobre explicadores e sua associação com erros de previsão. A metodologia é aplicada a dados de licitações e contratos do Tribunal de Contas do Estado do Piauí (TCE-PI), usando modelos baseados em Support Vector Machine (SVM), Logistic Regression (LR) com representações textuais TF-IDF e Word Embeddings, e o modelo BERTimbau, como codificador e classificador com embeddings contextuais dinâmicos. Aplicamos também o método ao IMDB para avaliar generalização e compará-lo com métodos de referências. Os resultados confirmam a hipótese e mostram consistência entre modelos e bases. As principais contribuições incluem: (i) método agnóstico a modelos e explicadores; (ii) detecção automática de padrões espúrios; (iii) uma métrica de espuriedade baseada na distância ao centroide; e (iv) organização lógica e interpretável dos padrões, ampliando a compreensão dos modelos e apoiando a mitigação de padrões espúrios.

As úlceras do pé diabético (DFUs) são lesões problemáticas devido às suas altas taxas de recorrência. Identificar DFUs com infecção e isquemia é essencial para o tratamento adequado e a prevenção de amputações. A abordagem multilevel proposta combina duas redes neurais convolucionais (CNNs) para classificar imagens de DFU em quatro categorias: inexistente, infecção, isquemia e ambas (infecção/isquemia). Foi adotado transferência de aprendizado, e o multilevel proposto inclui camadas totalmente conectadas com diferentes quantidades de neurônios e batch normalization. Técnicas de aumento de dados foram aplicadas a um conjunto composto por 8.242 imagens, para lidar com o problema de desbalanceamento entre classes, reduzir o risco de overfitting e melhorar o desempenho da abordagem. Testes adicionais foram realizado com combinações de CNNs utilizando técnicas como ensembles, no entanto, o multilevel apresentou os melhores resultados. A avaliação do desempenho foi realizada por meio de validação cruzada (cross-validation) com 5-fold. Nos experimentos com classificação em quatro classes, os melhores resultados foram a VGG-16 com valores acurácia, F1-score, kappa de 93,43%, 93,42% e 89,21% no cenário com apenas um modelo; o ensemble V19V16ResDenIn obteve acurácia, F1-score, kappa de 95,04%, 94,71% e 91,85%; e o multilevel DeepMLvggNet alcançou 95,91% de acurácia, 95,93% de F1-score e 93,28% de kappa. Além disso, uma técnica de validação foi aplicada usando conjuntos de dados cruzados (cross-dataset), utilizando o modelo DeepMLvgg- Net treinado com o DFUC e testado com o Kaggle DFU. Nessa avaliação, o modelo alcançou valores superiores a 79% para acurácia, F1-score e kappa. Em comparação à literatura, o modelo multilevel DeepMLvggNet obteve desempenho superiores às abordagens com quatro classes. Enquanto, os resultados foram inferiores na classificação binária, no entanto, os estudos da literatura utilizaram o mesmo conjunto de dados para treinamento e testes, o que favorece o ajuste dos modelos. Entretanto, o DeepMLvgg- Net demonstrou resiliência ao ser avaliado em domínios distintos, evidenciando seu potencial para aplicação no diagnóstico por imagens DFU.

A radiologia tem papel crucial na medicina moderna ao fornecer diagnósticos precisos por meio de imagens não invasivas. Entretanto, a elaboração manual de laudos médicos é um processo demorado e sujeito a falhas humanas. Esta tese propõe um modelo multimodal para a geração automática de pré-laudos médicos a partir de radiografias de tórax, combinando técnicas de Visão Computacional e Processamento de Linguagem Natural com base na arquitetura Transformer. Inicialmente, foi desenvolvida uma abordagem com codificador visual baseado no Swin Transformer e decodificador textual integrando camadas de atenção cruzada e treinamento bilíngue com conjuntos de dados em Português PT-BR ou Inglês. Posteriormente, a arquitetura foi aprimorada com a introdução de um módulo de memória relacional, permitindo a retenção de informações contextuais de longo prazo durante a geração dos textos. O modelo final integra de forma coesa os componentes visuais e textuais por meio de normalização condicional orientada à memória. Os experimentos, realizados nas bases de imagens Proposta, IU Chest X-ray, NIH Chest X-ray e MIMIC-CXR-JPG, evidenciaram ganhos consistentes. Na avaliação com o conjunto de dados completo da MIMIC-CXR-JPG, o modelo com Swin Transformer e decodificador textual atingiu ROUGE-L de 0.304, METEOR de 0.233 e BLEU-4 de 0.054. A inclusão da memória relacional elevou essas métricas para 0.321, 0.281 e 0.114, respectivamente. Na versão do mesmo conjunto de dados sem o histórico clínico, o desempenho do modelo com memória relacional foi ainda maior, alcançando ROUGE-L de 0.416, METEOR de 0.384 e BLEU-4 de 0.187

The increasing complexity of electrical distribution networks, driven by infrastructure modernization and the incorporation of distributed generation, makes it essential to develop efficient methods for fault location. This work proposes a methodology based on the combination of Genetic Algorithms and Convolutional Neural Networks (CNN) to enhance the identification of the bus affected by faults in electrical distribution networks. The employed method segments the system into strategic regions, using key buses to reduce computational complexity and optimize data analysis. A fundamental aspect of the proposed methodology is the transformation of data into visual representations, which serve as input to the CNN. To this end, the characteristics of voltage signals—such as root mean square (RMS) value, peak value, peak factor, average value, and distance to the substation—are extracted and converted into pixel matrices. These matrices are then normalized and combined into a five-channel image, where each channel represents a specific characteristic of the signal. This approach allows the CNN to process the information efficiently by exploiting complex patterns in the data, thereby improving the accuracy of fault location. The generation of these images is essential to the effectiveness of the method, as it transforms temporal data into a visual representation that facilitates the identification of relevant patterns for fault detection. The modeling and simulation of the IEEE 34-bus system using ATP software were employed to generate a dataset, enabling the analysis of different fault scenarios. The results demonstrated that the proposed approach outperformed conventional methods by exhibiting high accuracy in detecting the affected bus, achieving an accuracy rate of 99.16% and surpassing techniques such as AdaBoost with Artificial Neural Networks (98.30%) and standalone Artificial Neural Networks (97.60%). The comparison with approaches based on Graph Neural Networks (GNN) across various fault types evidenced that the proposed method attains superior performance in fault location while simultaneously optimizing data processing. Moreover, representing the data as panoramic images enhanced the extraction of relevant patterns for fault detection, leveraging the ability of CNNs to recognize complex structures. In simulation tests, the model’s accuracy reached up to 98.50%, depending on the fault type and the segmented group, further demonstrating the robustness of the methodology.

A reconstrução de imagens é muito importante para atividades que dependem da análise ótica e comparativa de dados. Os sinais, obtidos através de sistemas de aquisição, podem ser corrompidos por vários fatores, como movimentação da câmera e ruídos, mas podem ser recuperados pela aplicação de técnicas que os modelam matematicamente. Com isso, ferramentas de otimização contínua vem se tornando populares nos últimos anos em problemas de imagem. Este trabalho busca reconstruir imagens ruidosas, utilizando o non-monotone Boosted DC Algorithm (nmBDCA), uma variante acelerada do Difference of Convex Algorithm (DCA), com uma versão não convexa do modelo de Total Variation (TV), para obter melhor desempenho computacional que o DCA, com qualidade superior. Os resultados são mostrados em três seções: a primeira com imagens em preto e branco, a segunda com imagens médicas de tomografia computadorizada (TC) e a terceira comparando o nmBDCA a uma versão do Boosted Difference of Convex Algorithm (BDCA) com suavização da primeira componente DC, reconstruindo imagens médicas de TC e imagens de ressonância magnética (RM), com diferentes tipos e níveis de ruído. Os resultados da primeira seção enfatizam que o nmBDCA realiza reconstruções com maior PSNR em todos os experimentos, menor tempo de CPU e SSIM maior ou igual ao DCA em 91,67% dos testes. O modelo de TV não convexo é mais robusto que o convexo na presença de mais ruído, apresentando SSIM e PSNR maiores em todos os experimentos realizados. Na segunda seção, o nmBDCA supera DCA em qualidade de reconstrução e tempo de CPU em todos os testes. O desempenho do modelo não convexo aplicado com nmBDCA supera o modelo convexo em SSIM e tempo de CPU em todos os experimentos, sendo superior em PSNR em 77,78% dos os testes. A terceira seção de resultados mostra a superioridade do nmBDCA em relação ao BDCA, tanto em tempo de CPU quanto na qualidade das imagens recuperadas.

 A radiografia é uma ferramenta essencial na medicina moderna para a visualização interna do corpo
humano. Essa técnica, amplamente utilizada para examinar diversas patologias, como doenças ósseas e
alterações em tecidos moles, fornece imagens detalhadas com base na absorção diferencial dos raios-X por
tecidos de diferentes densidades. No entanto, a análise de radiografias apresenta desafios significativos, como a
identificação de anomalias sutis e a interpretação precisa das imagens, muitas vezes dificultada pela
variabilidade dos exames e pela sobrecarga de trabalho dos radiologistas. Esta tese propõe uma abordagem
inovadora para otimizar a triagem de exames e a geração de laudos médicos preliminares a partir de
radiografias, com foco nas radiografias da coluna lombo-sacra e dos pododáctilos. A metodologia desenvolvida
combina técnicas de inteligência artificial preditiva e generativa, utilizando arquiteturas avançadas de redes
neurais convolucionais como Inception-V3, VGG e ResNet50, aliadas a modelos generativos baseados em
Transformers, para enfrentar os desafios associados à análise radiográfica. O objetivo principal é melhorar a
eficiência na triagem de exames e fornecer laudos médicos automatizados como suporte à decisão clínica,
oferecendo uma segunda opinião detalhada para auxiliar no diagnóstico tanto na coluna lombo-sacra quanto nos
pododáctilos. A pesquisa utilizou dois conjuntos de dados radiográficos de lombo-sacra composto por 44,540 e
de pododáctilos composto por 16,710. As imagens foram coletadas de hospitais e clinicas de todo território
brasileiro, abrangendo uma variedade de cenários clínicos. O desenvolvimento de modelos preditivos, baseado
em aprendizado profundo, focou na triagem e filtragem de radiografias, identificando exames que requerem
maior atenção e otimizando a eficiência do processo. Além disso, foram desenvolvidos modelos generativos,
usando técnicas de aumento de dados e fine-tuning, para a geração automática de laudos médicos preliminares,
complementando o trabalho dos radiologistas com diagnósticos e descrições detalhadas a partir das imagens
analisadas. Os resultados obtidos na metodologia de classificação de patologias de lombo-sacra, utilizando a
técnica de ensemble, demonstraram alta precisão, com valores de 0,941 (Acurácia), 0,874 (kappa), 0,983
(Precisão), 0,952 (F1-Score), 0,947 (AUC), 0,972 (Especificidade) e 0,983 (Sensibilidade). Já na geração
automática de laudos para radiografias de lombo-sacra, as métricas alcançadas foram: 0,612 (BLEU-1), 0,552
(BLEU-2), 0,507 (BLEU-3), 0,470 (BLEU-4), 0,471 (METEOR) e 0,633 (ROUGE-L). Para os laudos gerados a
partir de radiografias de pododáctilos, os resultados foram: 0,516 (BLEU-1), 0,432 (BLEU-2), 0,386 (BLEU-3),desenvolvido, que demonstrou potencial para melhorar a precisão dos diagnósticos, otimizar o processo de
triagem e oferecer uma solução prática e eficiente para a geração automática de laudos médicos, contribuindo
significativamente para o avanço da prática clínica moderna.

As radiografias de tórax, ou raios X de tórax, são os exames de imagem mais utilizados diariamente nos hospitais. Responsável por auxiliar na detecção de inúmeras patologias e achados que interferem diretamente na vida do paciente, esse exame é, portanto, fundamental na triagem dos pacientes. O uso de técnicas de visão computacional atrelada ao aprendizado profundo auxiliam na tomada de decisão por parte do médico radiologista, fornecendo uma segunda opinião e consequentemente reduzindo custos operacionais. Diante disso, este trabalho propõe uma metodologia hierárquica e baseada em um comitê de Redes Neurais Convolucionais (Convolutional Neural Networks - CNNs) para auxiliar no diagnóstico de exames de raios X de tórax, inicialmente rastreando-os com alta probabilidade de serem normais ou anormais e posterior detecção da patologia. No desenvolvimento da etapa de triagem deste estudo, foi utilizado um conjunto de dados com imagens de raios-X de incidências frontal e lateral. Para a construção do modelo ensemble, foram avaliadas as arquiteturas VGG-16, ResNet50 e DenseNet121, comumente utilizadas na classificação de radiografias de tórax. Um Limiar de Confiança (CTR) foi usado para definir as previsões em Normal de Alta Confiança (HCn), classificação Borderline (BC) ou Anormal de Alta Confiança (HCa). Nos testes realizados, foram alcançados resultados bastante promissores: 54,63% dos exames foram classificados com alta confiança; dos exames normais, 32% foram classificados como HCN com uma taxa de falsa descoberta (FDR) de 1,68%; e quanto aos exames anormais, 23% foram classificados como HCa com 4,91% taxa de falsas omissões (FOR). Na etapa de detecção de anormalidades, empregamos a VGG-16 pré-treinada com a base utilizada no desenvolvimento da triagem para avaliar o dataset da NIH Chest X-rays 14, onde foi obtida a AUC média de 0,8484.

O aprendizado de máquina é uma técnica relevante de reconhecimento de padrões
por meio da detecção de correlações entre os dados. Em se tratando de aprendizado não
supervisionado, os grupos formados a partir dessas correlações podem receber um rótulo, que
consiste em descrevê-los em termos de seus atributos mais relevantes e suas respectivas faixas
de valores para que sejam compreendidos automaticamente. Nesse trabalho de pesquisa, esse
processo é intitulado de rotulação. Entretanto, um desafio para os pesquisadores é estabelecer
o número ótimo de grupos que melhor representa a estrutura subjacente dos dados submetida
ao agrupamento. Esse número ótimo pode variar dependendo do conjunto de dados e do
método de agrupamento utilizado e influência no processo de clusterização dos dados e
consequentemente na interpretação dos grupos gerados. Portanto, essa pesquisa tem o intuito
de fornecer uma abordagem de interpretação de grupos a partir de critério de inferência da
quantidade ótima de clusters a ser utilizada no agrupamento, com base em faixa de valores dos
atributos, seguida de uma rotulação automática de dados baseada em métrica de dispersão para
maximizar a compreensão dos grupos obtidos. Essa metodologia foi aplicada a sete bases de
dados e os resultados mostram que ela contribui para a interpretação dos grupos, uma vez que
gera rótulos mais precisos.

In the context of smart power grids, demand-side management is a set of measures to motivate end consumers into adapting their energy demand to the available generation resources. To achieve this goal, demand-side management solutions reward flexible consumers through demand response programs. Recent trends point towards the development of home energy management systems to leverage the potential of residential consumers to contribute to demand response efforts. However, current research is still ongoing and more studies are needed on how to design demand response programs with home energy management systems that appeal to end consumers. This study addresses limitations of home energy management systems in the literature and proposes a demand-side management approach based on a bi-level optimization model. First, consumers solve a lower-level multi-objective load scheduling problem to optimize their savings and comfort. Then, demand aggregators solve an upper-level single-objective demand profile aggregation problem to optimize its peak-to-average ratio. Experiments investigate the impact of optimization methods, distributed energy resources, consumer preferences and behavioral patterns on the demand response program. Results indicate that end consumer flexibility and active consumer participation are key factors to the success of demand-side management solution.