Um método guiado por dados fisiológicos de múltiplas fontes para avaliar o nível de percepção de risco dos operadores

Por que observar quem observa importa

Nas profundezas, minas de carvão modernas dependem cada vez mais de salas de controle remotas em vez de trabalhadores diretamente na frente de extração. Nesses ambientes, operadores encaram paredes de telas de vídeo, procurando os primeiros sinais de perigo. Se eles deixarem passar um vazamento de gás, uma fissura no teto ou uma faísca em uma correia transportadora, o resultado pode ser um acidente fatal. Este estudo faz uma pergunta simples, porém vital: podemos dizer, em tempo real, quão aguçado está o “radar de perigo” de um operador ouvindo os sinais ocultos do corpo?

Lendo os alarmes discretos do corpo

Os pesquisadores se concentraram em três tipos de sinais fisiológicos que mudam quando as pessoas percebem e avaliam riscos. A atividade elétrica do cérebro, registrada como EEG, reflete a intensidade com que diferentes regiões do córtex estão trabalhando. A atividade eletrodérmica (EDA) captura pequenas mudanças na condutância da pele associadas à atividade das glândulas sudoríparas, um sinal clássico de excitação e vigilância. A variabilidade da frequência cardíaca (HRV) descreve flutuações sutis no intervalo entre batimentos, revelando como o sistema nervoso autônomo equilibra estresse e recuperação. Em vez de depender apenas de autorrelatos ou tempos de reação simples, a equipe propôs fundir essas três correntes em uma imagem mais rica do nível de percepção de risco do operador.

Simulando uma sala de controle real

Para manter o experimento realista, 23 operadores profissionais de centros inteligentes de monitoramento de segurança em minas de carvão foram recrutados. No laboratório, a equipe recriou uma configuração de monitoramento com múltiplas telas usando software especializado. Os participantes visualizaram 286 imagens reais de minas de carvão em quatro telas ao mesmo tempo, algumas mostrando cenas perigosas — como trabalhadores sem capacete, acúmulo de metano, água em túneis ou tetos instáveis — e outras apresentando condições seguras. Para cada imagem, os operadores tinham que decidir rapidamente se era perigosa ou segura usando teclas do teclado, e então avaliar sua própria percepção de risco por meio de um questionário adaptado ao trabalho em minas de carvão.

Transformando sinais brutos em uma pontuação de risco

Enquanto os operadores trabalhavam, o sistema registrou continuamente EEG de oito locais no couro cabeludo, condutância da pele na mão e atividade cardíaca por um dispositivo vestível. Os pesquisadores cuidadosamente limparam os dados para remover ruídos como piscar de olhos, e então dividiram as gravações contínuas em janelas curtas de cinco segundos. De cada janela extraíram dezenas de características — por exemplo, potência em diferentes bandas de ondas cerebrais, componentes lentos e rápidos da condutância da pele e uma variedade de medidas de variabilidade cardíaca. Separadamente, o nível global de percepção de risco de cada operador foi quantificado combinando três elementos: pontuações do questionário, tempo médio de reação (sendo mais rápido tratado como melhor) e precisão. Usando cortes estatísticos, cada janela de dados foi rotulada como refletindo percepção de risco baixa, moderada ou alta. Modelos de aprendizado de máquina e aprendizado profundo foram então treinados para reconhecer esses níveis exclusivamente a partir da fisiologia.

O que o corpo revela quando a percepção de perigo aumenta

A análise mostrou padrões claros e significativos. À medida que a percepção de risco aumentava, algumas bandas de ondas cerebrais em regiões frontais — especialmente teta, alfa e beta — tornaram-se mais fortes, indicando um processamento cognitivo mais focado. Certas medidas da condutância da pele, que refletem quanto e com que imprevisibilidade a pele estava suando, aumentaram quando os operadores estavam mais sintonizados com os perigos, consistente com maior ativação do sistema nervoso simpático. A frequência cardíaca tende a ser mais alta em níveis maiores de percepção de risco, enquanto algumas medidas de variabilidade de longo prazo foram menos sensíveis nessas tarefas curtas. Essas tendências confirmaram que os sinais corporais acompanham de fato quão eficazmente as pessoas estão detectando perigo nas telas.

Ensinando máquinas a detectar baixa atenção

A equipe comparou 12 algoritmos diferentes, desde árvores de decisão clássicas e máquinas de vetores de suporte até um método moderno de boosting por gradiente chamado LightGBM e uma rede neural convolucional unidimensional. O LightGBM se destacou: usando os três tipos de sinais juntos (EEG, EDA e HRV), classificou o nível de percepção de risco com impressionantes 99,89% de acurácia, com poucos alarmes falsos ou casos perdidos. O modelo de aprendizado profundo também teve desempenho extremamente bom. Importante, combinar as três fontes fisiológicas superou qualquer sinal único ou pares, mostrando que cérebro, pele e coração contribuem com peças únicas de informação sobre o estado do operador.

De minas mais inteligentes a trabalho mais seguro

Para um público não especializado, a conclusão é que esta pesquisa demonstra uma forma prática de “monitorar os monitores”. Ao rastrear discretamente ondas cerebrais, resposta cutânea e ritmos cardíacos de um operador, um sistema inteligente pode inferir quando sua capacidade de notar perigos está se deteriorando — talvez por fadiga, sobrecarga ou distração — e acionar intervenções oportunas, como pausas, realocação de tarefas ou suporte adicional. Embora sejam necessários mais testes em minas reais, a abordagem aponta para futuras salas de controle onde sistemas de segurança protegem não apenas máquinas e túneis, mas também a atenção humana que fica entre o alerta precoce e a catástrofe.

Citação: Qi, A., Liu, H., Li, J. et al. A multi-source physiological data-driven method for assessing the hazard perception level of operators. Sci Rep 16, 6595 (2026). https://doi.org/10.1038/s41598-026-36107-y

Palavras-chave: segurança em minas de carvão, percepção de risco, monitoramento fisiológico, aprendizado de máquina, fadiga do operador