Use este identificador para citar ou linkar para este item:
https://repositorio.ufpa.br/jspui/handle/2011/16936
Tipo: | Dissertação |
Data do documento: | Jan-2024 |
Autor(es): | BASTOS, Caio de Oliveira |
Afiliação do(s) Autor(es): | UFPA - Universidade Federal do Pará |
Primeiro(a) Orientador(a): | GOMES, Bruno Duarte |
Primeiro(a) coorientador(a): | PEREIRA JUNIOR, Antonio |
Título: | 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 |
Citar como: | GOMES, Bruno Duarte. 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. Orientador: Bruno Duarte Gomes.; Coorientador: Antonio Pereira Junior. 2024. 63 f. Dissertação (Mestrado em Neurociências e Biologia Celular) - Instituto de Ciências Biológicas, Universidade Federal do Pará, Belém, 2025. Disponível em: https://repositorio.ufpa.br/jspui/handle/2011/16936. Acesso em:. |
Resumo: | 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. |
Abstract: | Results and methods from neuroscience can already be applied on a routine scale. Applied neuroscience is in use, for example, to measure and study brain activity under high demand using electroencephalography (EEG). In certain work environments, human productivity is a direct function of brain activity. The intense recruitment of cognitive functions such as sustained attention and working memory influence productivity directly. The labor demands experienced by workers in mining companies are an example. This work is a part of a bigger project called “Usando Treinamento Cognitivo para o Desenvolvimento de Operadores de Alto Desempenho” from the Vale S. A. mining company and, therefore, all of the workers that participated in this study worked for that company. We used EEG to measure productivity during a task without the constraints typically found in experiments conducted in the laboratory. To this aim, we created a machine learning algorithm to analyze the resting EEG recorded before and after a 4D simulation, where mining workers (37 ± 7 years old) specialized to operate giant high-capacity shovels. The simulated task consisted of the operator using the shovel in a digging and loading routine. The task was not planned for our research. It was part of the worker’s routine training. That is, we took advantage of the workers’ training to carry out the study. Recordings were preprocessed using a band-pass filter (0.5-100 Hz) followed by filtering using ICA (Independent Component Analysis). After each operator finish the simulation, their productivity was measured by VALE S.A technical staff. The main parameter for good productivity was the amount of ore excavated. The operators were divided into groups according to ranges of productivity. The productivity was used as a label for the learning of the algorithm that consisted of an artificial neural network of the type inception. The number of neurons and layers was optimized using Bayesian optimization. The features extracted by the inception were the input to 13 classifiers. The classifier chosen for the final algorithm was the best, that is the one providing the best accuracy in the productivity classification. The training set contained 80% of the data. A hold-out validation was used to test the accuracy of the final algorithm using 20% of the data. The resulting accuracy when the operators were divided into four groups of productivity reached 91.35%. When there were only two groups of productivity the accuracy peaked at 95.05%. Our results showed that even under no laboratory constraints – during the regular training of the operators and using resting EEG – our algorithm succeed and it is ready to be used in future field operations. We have a prototype that is patentable. |
Palavras-chave: | Eletroencefalografia Neurociencia cognitiva Inteligência artificial Aprendizagem de máquina Indústria mineral Testes neuropsicológicos |
Área de Concentração: | NEUROCIÊNCIAS |
Linha de Pesquisa: | NEUROFISIOLOGIA |
CNPq: | CNPQ::CIENCIAS BIOLOGICAS::FISIOLOGIA::FISIOLOGIA GERAL::NEUROFISIOLOGIA |
País: | Brasil |
Instituição: | Universidade Federal do Pará |
Sigla da Instituição: | UFPA |
Instituto: | Instituto de Ciências Biológicas |
Programa: | Programa de Pós-Graduação em Neurociências e Biologia Celular |
Tipo de Acesso: | Acesso Aberto Attribution-NonCommercial-NoDerivs 3.0 Brazil |
Fonte URI: | Disponível na internet via correio eletrônico: biblicb.420@gmail.com |
Aparece nas coleções: | Dissertações em Neurociências e Biologia Celular (Mestrado) - PPGNBC/ICB |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertacao_ClassidicacaoPerfisProdutividade.pdf | 2,71 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciado sob uma Licença Creative Commons