Aprendizagem não supervisionada de padrões de interação homem-computador

Abstract

Durante longos períodos de atividade cognitiva é comum a sensação de cansaço e falta de energia, acompanhada de um decréscimo de desempenho. Este estado, geralmente denominado de fadiga mental, é considerado uma das principais causas de erro humano. Os efeitos da fadiga mental no desempenho de tarefas complexas e que requerem altos níveis de concentração devem ser estudados e antecipados de forma a minimizar erros. Exemplo disto é o caso da aviação, ou medicina onde pequenas distrações podem gerar graves acidentes. O impacto negativo da fadiga mental na performance, saúde e bem estar dos indivíduos, torna-se, desta forma, um dos principais motivos que leva ao desenvolvimento de metodologias de deteção destes estados mentais, de forma a preveni-los. Efetivamente, ao longo do tempo diversas metodologias de deteção de fadiga têm sido desenvolvidas, contudo a maioria é pouco objetiva ou requer um grande investimento económico. A presente monografia apresenta um estudo de um sistema de aprendizagem não supervisionada de casos de fadiga mental, utilizando padrões de interação homem-computador, recolhidos através da sensorização de rato e teclado. Este estudo permitiu uma classificação correta de 83,3% de novos casos de fadiga mental.

During long periods of cognitive activity it is common to have a feeling of tiredness and lack of energy, which is followed by a performance decrease. This state, commonly defined as mental fatigue, is considered one of the major causes of human error. Mental fatigue effects on tasks that require high levels of concentration should be studied and anticipated to minimize errors. Aviation and medicine are good examples of these tasks because small distractions could lead to severe consequences. The negative impact of mental fatigue on individuals performance, health and well-being, as well as the consequences of it, makes it necessary to develop strategies that detect these mental states. During the past years many methods have been developed. However, the majority of these methods are not very objective and requires a large economic investment. The following dissertation presents a non-invasive automatize system for unsupervised learning in mental fatigue, by using human-computer interaction patterns, collected through mouse and keyboard sensing.This study allowed a correct classification of 83.3 % of new cases of mental fatigue.