Classificação de perfis de produtividade usando redes neurais artificiais a partir de registros eletroencefalográficos: uma aplicação na Mineradora Vale S.A., Complexo S11D Eliezer Batista

Resultados e métodos da neurociência já podem ser aplicados em escala rotineira. De fato, a neurociência aplicada já é usada para, por exemplo, medir e estudar a atividade cerebral sob alta demanda usando eletroencefalografia (EEG). A produtividade em certos ambientes é função direta da atividade cerebral. A atividade intensa de algumas funções cognitivas como atenção sustentada e memória de trabalho influenciam a produtividade diretamente. O ambiente de trabalho em companhias de mineração, onde trabalhadores são muito exigidos física e mentalmente, é um exemplo. O presente trabalho fez parte de um projeto maior chamado “Usando Treinamento Cognitivo para o Desenvolvimento de Operadores de Alto Desempenho” da empresa Vale S. A. e, portanto, todos os operadores que participaram do estudo trabalham para a empresa Vale S. A. e fazem essa simulação de escavação como parte de sua rotina de treinamento. Usamos o EEG para medir produtividade em uma tarefa sem restrições por controle em laboratório. Para isso criamos um algoritmo de aprendizado de máquina para analisar os registros de EEG de operadores de escavadeira de alta capacidade (com 37 ± 7 anos de idade) durante a simulação da escavação, processo usado para treinamento desses operadores, e estimar a produtividade desses operadores durante a simulação, usando somente os dados de EEG coletados em repouso antes e após a operação simulada. Esses dados foram pré-processados usando um filtro passa-banda de 0,5-100 Hz e uma filtragem usando ICA (Independent Component Analysis). Para classificar esses operadores, de acordo com sua produtividade estimada, foi utilizada uma rede neural artificial do tipo inception responsável por extrair as características dos dados de EEG e reduzir sua dimensionalidade. Os parâmetros dessa rede, como o número de camadas da rede e o número de neurônios por camada foram otimizados usando a otimização bayeziana. Essas características foram então inseridas em 13 classificadores diferentes e os que tiveram a melhor performance foram escolhidos para compor o algoritmo final e validá-lo. Foi utilizada uma validação hold-out para testar a acurácia do algoritmo final, com 20% dos dados disponíveis. Já os 80% restantes foram usados para treinar o algoritmo usando uma validação cruzada. O algoritmo final foi testado em uma classificação com 4 classes e uma classificação binária a partir dos mesmos dados de EEG e teve uma acurácia de classificação bem alta, mesmo usando os dados da validação hold-out, chegando a 91,35%, com um classificador Random Forest, usando 4 classes e 95,05% na classificação binária, cujo melhor classificador foi um Extra trees. Nossos resultados mostram que nosso algoritmo foi bem sucedido e está pronto para ser usado em em campo, uma vez que os dados usados nele foram coletados com quase nenhuma alteração nos processos rotineiros dos operadores. Temos, portanto, um protótipo patenteável.