Banca de DEFESA: CAIO DE OLIVEIRA BASTOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: CAIO DE OLIVEIRA BASTOS
DATA: 30/01/2024
HORA: 14:00
LOCAL: AUDITORIO ARLINDO PINTO - ICB/UFPA
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

PALAVRAS-CHAVES:

Eletroencefalografia; Neurociência Aplicada; Inteligência Artificial;
Aprendizado de Máquina; Indústria da Mineração.

PÁGINAS: 63
GRANDE ÁREA: Ciências Biológicas
ÁREA: Fisiologia
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.

MEMBROS DA BANCA:
Interno - 1548199 - ANDERSON MANOEL HERCULANO OLIVEIRA DA SILVA
Presidente - 1713466 - BRUNO DUARTE GOMES
Interno - 1734253 - GIVAGO DA SILVA SOUZA
Externo ao Programa - 1913763 - ROMMEL THIAGO JUCÁ RAMOS