Reconhecimento da ansiedade em motoristas: estudo de caso de uma arquitetura de inteligência artificial para identificação de padrões em vídeos de rastreamento ocular

• Ano de defesa: 2021
• Autor(a) principal: Bastos, Wagner Gomes [UNIFESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• dARK ID: ark:/48912/001300002nh47
• Idioma: por
• Instituição de defesa: Universidade Federal de São Paulo
• Palavras-chave em Português: Ansiedade; Rastreamento ocular; Região de interesse; Visão computacional; Aprendizado de máquina
• Link de acesso: https://hdl.handle.net/11600/62215

INTRODUÇÃO: O comportamento de ansiedade em motoristas pode ser relacionado aos erros de condução e, consequentemente, aos acidentes de trânsito, pois produz um decréscimo de desempenho na execução da tarefa de dirigir. O relacionamento entre os movimentos dos olhos e ansiedade tem sido investigado por meio do uso de dispositivos de rastreamento ocular. O estudo da ansiedade por meio do rastreamento ocular produz vídeos com uma grande quantidade de imagens (frames). Estas imagens necessitam que a inspeção visual seja realizada pelo pesquisador, possibilitando erros ou comprometendo a reprodutibilidade do resultado da pesquisa. Os dados provenientes da inspeção visual necessitam de uma análise que possibilite a identificação de padrões de ansiedade em motoristas. OBJETIVO GERAL: Propor uma arquitetura computacional baseada em Inteligência Artificial em dados de rastreamento ocular para identificação de padrões de ansiedade estado de motoristas em ambiente simulado. MATERIAL E MÉTODOS: Esta pesquisa é dividida em duas etapas. A primeira parte é de caráter quantitativa e correlacional, pois será realizada a inspeção automática das imagens dos vídeos, por meio de visão computacional para correlacioná-las com a inspeção visual do pesquisador. A segunda parte é de caráter quantitativa e exploratória, pois será utilizado algoritmos de aprendizado de máquina, sobre os dados provenientes da inspeção automática por visão computacional, com o objetivo de procurar por perfis de ansiedade. Também foi realizada uma revisão integrativa da literatura para identificação do estado da arte nas pesquisas de visão computacional, aprendizado de máquina e rastreamento ocular para a área da saúde. RESULTADOS: No pipeline de aprendizado de máquina utilizando SOM e árvore de decisão obteve-se a melhor acurácia de 62,25% na correlação da característica variância das localizações das fixações com a ansiedade estado. No pipeline de aprendizado de máquina utilizando regressão logística binária identificou-se as características, candidatas a indicadores de ansiedade estado, velocímetro e pista com acurácia de 90% e AUC de 0,79 para motoristas experientes e baixo reinvestidores. CONCLUSÃO: Uma arquitetura computacional com inteligência artificial em dados de rastreamento ocular foi criada e validada para predição da ansiedade estado de motoristas em ambiente simulado. Espera-se que novos estudos façam uso desta arquitetura para diagnóstico da ansiedade estado em aplicações de treinamento de motorista, sistemas de advertência e/ou controle de veículos, a fim de contribuir com a redução de acidentes.