Development and Validation of a PredictiveMathematical Model for Cognitive Performanceand Occupational Stress Based on Indoor AirQuality: A Low-Cost Implementation UsingEmbedded Systems

Resumo Técnico: Desenvolvimento e Validação de um Modelo Matemático Preditivo para Desempenho Cognitivo e Estresse Ocupacional Baseado na Qualidade do Ar Interior

Definição do Problema
A qualidade do ar interior (QAI) é um determinante crítico do desempenho cognitivo e do bem-estar psicológico em ambientes ocupacionais. Embora uma QAI deficiente esteja associada à ansiedade, fadiga e redução das capacidades de tomada de decisão, as ferramentas atuais falham em estabelecer uma ponte entre a detecção ambiental em tempo real e as métricas de impacto psicológico acionáveis. As soluções existentes dividem-se em três categorias limitadas: estudos epidemiológicos, que oferecem associações estatísticas, mas não predição em tempo real; redes de sensores, que monitoram parâmetros do ar sem quantificar o impacto humano; e experimentos em câmaras controladas, que não são passíveis de implementação em ambientes operacionais. Além disso, as estações de monitoramento convencionais são proibitivamente caras (milhares de dólares), limitando a adoção generalizada.

Metodologia
O estudo propõe uma solução de sistema embarcado de baixo custo que integra um modelo matemático calibrado com sensores de hardware para prever a eficiência cognitiva e o estresse ocupacional em tempo real.

• Estrutura Matemática: O núcleo do sistema é um índice de degradação composto ($I_{deg}$) derivado de três camadas:

  1. Balanço de Massa e Termodinâmica: Modela a dinâmica de contaminantes usando uma equação diferencial de continuidade, incorporando volume da sala, taxas de ventilação, contagem de ocupantes e fatores de correção térmica/umidade ($f_T$, $f_H$).
  2. Absorção Biológica: Calcula doses cumulativas de poluentes para CO2 ($A_{CO2}$) e VOCs ($A_{VOC}$) com base no volume de minuto respiratório e volume de ar disponível por indivíduo.
  3. Transferência Psicológica: Mapeia o índice de degradação para resultados cognitivos e de estresse usando funções logísticas sigmoides. As variáveis principais incluem o Fator de Hipóxia por Deslocamento de Oxigênio ($f_{O2}$), a Taxa Metabólica de Hiperventilação ($M_{met}$) e a Constante de Limpeza Orgânica ($\lambda_{wash}$).
  • O modelo gera como saída a Eficiência Cognitiva ($P_{con}$) e o Estresse Psicofisiológico ($I_{estresse}$), com $P_{con}$ variando de 0% a 100%.

• Implementação de Hardware: O sistema é construído sobre o microcontrolador ESP32, utilizando:

  • Sensor ENS160: Para CO2 equivalente (eCO2), VOCs totais (TVOC) e Índice de Qualidade do Ar (AQI).
  • Sensor BME280: Para temperatura, umidade e pressão barométrica.
  • Conectividade: O ESP32 opera como um ponto de acesso Wi-Fi independente, hospedando um servidor web que fornece relatórios ambientais em tempo real e dados JSON sem a necessidade de internet externa ou assinaturas de nuvem.
  • Custo: O custo total dos componentes é estimado entre USD 22 e USD 35.

• Protocolo Experimental: O sistema foi implantado em um escritório de 120 m³ com 10 ocupantes durante uma jornada de trabalho de 8 horas. Os dados foram registrados a cada 5 segundos, com o firmware realizando a integração numérica de doses e extrapolando previsões de 4 horas para alertar gestores sobre níveis críticos de estresse iminentes.

Principais Resultados

• Validação do Modelo: O modelo foi validado cruzando os dados com quatro estudos internacionais independentes (Satish et al., Allen et al., Cedeño Laurent et al., e Künn et al.). Os resultados demonstraram um Erro Quadrático Médio (RMSE) de 0,18 pontos percentuais e um erro absoluto máximo de 1,5 pontos percentuais, confirmando alta precisão preditiva através de conjuntos de dados heterogêneos.
• Desempenho Operacional: Na implantação de campo, o sistema rastreou com sucesso a degradação cognitiva. Às 08:00, a eficiência cognitiva era de 98,2% com 1,8% de estresse. Às 14:00, conforme o CO2 subia para 1.680 ppm e o TVOC para 210 ppb, a eficiência caiu para 62,4% e o estresse subiu para 37,6%.
• Capacidade Preditiva: O sistema gerou projeções de 4 horas que identificaram corretamente uma trajetória em direção a níveis críticos de estresse (projetado em 61,8%), disparando uma recomendação de "ALERTA SEVERO" para ventilação forçada.
• Análise de Sensibilidade: Observou-se que a concentração de CO2 contribuiu com 62% da variância na eficiência cognitiva, seguida pela duração da exposição (22%). O modelo provou ser robusto a variações de ±10% nas constantes de calibração.

Significância e Alegações
O artigo afirma fornecer uma ferramenta prática e acessível para a gestão preventiva da saúde ocupacional, transformando o monitoramento da QAI de um registro descritivo para uma gestão prescritiva. Suas principais contribuições são:

1. Integração: Combina de forma única detecção em tempo real, um modelo fisiológico/matemático e análise preditiva em um único dispositivo implantável.
2. Acessibilidade: Ao reduzir o custo do monitoramento de milhares de dólares para menos de USD 30, permite o monitoramento distribuído para Pequenas e Médias Empresas (PMEs) e aplicações portáteis.
3. Ação Preventiva: A capacidade do sistema de projetar níveis futuros de estresse permite que gestores intervenham antes que o dano psicológico se consolide, abordando a lacuna entre os dados ambientais e o impacto humano.

Os autores observam limitações, incluindo o uso de sensores de eCO2 baseados em MOS (que podem apresentar incerteza em ambientes de baixa correlação VOC-CO2) e a suposição de distribuição uniforme de poluentes. Trabalhos futuros sugeridos incluem o monitoramento de material particulado, cobertura multissensorial e validação clínica longitudinal.