|
Abstract:
|
O estresse ocupacional é uma resposta física e emocional desencadeada por demandas excessivas no ambiente de trabalho, sendo particularmente comum entre profissionais de saúde devido à alta pressão, longas jornadas e exposição constante ao sofrimento humano. Este estudo explora a aplicação de algoritmos de aprendizado de máquina na identificação de estresse usando biomarcadores a partir dos conjuntos de dados Affective Road e WESAD. O objetivo principal foi avaliar a eficácia de diversos modelos, incluindo k-Nearest Neighbors, Logistic Regression, Random Forest, Neural Network e Support Vector Machine, e modelos de séries temporais para classificar os níveis de estresse e identificar os biomarcadores mais relevantes. As técnicas de importância de características e SHAP foram aplicadas para identificar os biomarcadores mais impactantes, além de uma análise de dados generalizados e individualizados, com o intuito de demonstrar a necessidade de personalização no processo de detecção do estresse. Os resultados mostraram que, entre os algoritmos clássicos, o RF obteve o melhor desempenho, enquanto os modelos de séries temporais capturaram padrões temporais de forma eficaz. A análise também evidenciou que conjuntos de dados individualizados apresentaram melhor desempenho em relação aos dados generalizados, destacando a importância da personalização para uma detecção mais precisa do estresse. As principais contribuições deste trabalho incluem a confirmação de que modelos personalizados superam os generalizados e a avaliação de algoritmos de séries temporais para prever o estresse com maior precisão. |
