ERGONOMIA - REDES NEURONALES

  1. La ergonomía se define como interacciones entre humanos y los elementos de un sistema.
  2. Sus características son fisiológicas, anatómicas o psicológicas.
  3. Sus factores más conocidos son el hombre, las máquinas y el ambiente.
  4. Según su dominio se divide en cognitiva, física u organizacional.
  5. La ergonomía cognitiva estudia los procesos mentales.
  6. La ergonomía física estudia la actividad física.
  7. La ergonomía organizacional estudia la optimización de sistemas sicotécnicos.

Beneficios de la Ergonomía
  • Disminución de riesgo de lesiones
  • Disminución de errores / rehacer
  • Disminucion de riesgos ergonomicos
  • Disminución de enfermedades profesionales
  • Disminución de días de trabajo perdidos
  • Disminución de Ausentismo Laboral
  • Disminución de la rotación de personal
  • Disminución de los tiempos de ciclo
  • Aumento de la tasa de producción
  • Aumento de la eficiencia
  • Aumento de la productividad
  • Aumento de los estandares de producción
  • Aumento de un buen clima organizacional
  • Simplifica las tareas o actividades
Ergonomía cognitiva
La ergonomía cognitiva[3] (o como también es llamada 'cognoscitiva') se interesa en los procesos mentales, tales como percepción, memoria, razonamiento, y respuesta motora, en la medida qué, éstas, afectan las interacciones entre los seres humanos y los otros elementos componentes de un sistema. Tales como la triada ergonómica(persona,ambiente,máquina).

Modelo de procesamiento de la información en seres humanos
Los asuntos que le resultan relevantes incluyen: carga de trabajo mental, la toma de decisiones, el funcionamiento experto, la interacción humano-computadora (por ejemplo, la ley de Fitts), la confiabilidad humana, el estrés laboral, el entrenamiento y la capacitación, en la medida en que estos factores pueden relacionarse con el diseño de la interacción humano-sistema.
  • Teoría de la información
Información en el sentido cotidiano de la palabra, es el conocimiento recibido acerca de un hecho específico. En el sentido técnico, la información es la reducción de la incertidumbre respecto a ese hecho. La Teoría de la Información se mide en bits de información, donde, un bit es la cantidad de información requerida para decidir entre dos alternativas igualmente probables.
  • Modelo de procesamiento de información humano
Se han desarrollado numerosos modelos para explicar cómo procesan la información las personas. Muchos de estos modelos consisten en cajas negras que representan las distintas etapas de procesamiento. La figura presenta un modelo genérico que consiste en cuatro etapas o componentes importantes; percepción, decisión, y selección de respuesta, ejecución de respuesta, memoria y los recursos de atención distribuidos en las diferentes etapas. La componente de toma de decisiones, combinada con la memoria trabajando y la memoria a largo plazo, puede considerarse la unidad de procesamiento central, mientras que el almacén sensorial es una memoria transitiva, localizada en la etapa de entrada. (Wickens, Giordon y Liu, 1997).

Biomécanica ocupacional del cuerpo humano

Ergonomía física

La ergonomía física se preocupa de las características anatómicas, antropométricas, fisiológicas y biomecánicas humanas, en tanto que se relacionan con la actividad física.
Sus temas más relevantes incluyen posturas de trabajo, sobreesfuerzo, manejo manual de materiales, movimientos repetitivos, lesiones músculo-tendinosas (LMT) de origen laboral, diseño de puestos de trabajo, seguridad y salud ocupacional.

 Ergonomía organizacional

La ergonomía organizacional o macroergonomía[4] , se preocupa por la optimización de sistemas socio-técnicos, incluyendo sus estructuras organizacionales, las políticas y los procesos.
Son temas relevantes a este dominio, los factores psicosociales del trabajo, la comunicación, la gerencia de recursos humanos, el diseño de tareas, el diseño de horas laborables y trabajo en turnos, el trabajo en equipo, el diseño participativo, la ergonomía comunitaria, el trabajo cooperativo, los nuevos paradigmas del trabajo, las organizaciones virtuales, el teletrabajo y el aseguramiento de la calidad.




REDES NEURONALES

Existen cuatro aspectos que caracterizan una red neuronal: su topología, el mecanismo de aprendizaje, tipo de asociación entre la información de entrada y de salida, y la forma de representación de estas informaciones.

Topología

Consiste en la organización y disposición de las neuronas en la red formando capas o agrupaciones de neuronas. Los parámetros fundamentales de la red son: número de capas, número de neuronas por capa, grado de conectividad y tipo de conexión entre neuronas.
Al hacer una clasificación topológica de las RNAs se suelen distinguir:
  1. Redes monocapa : se establecen conexiones laterales entre las neuronas que pertenecen a la única capa que constituye la red. Ejemplos de redes de este tipo son la rede HOPPFIELD y la rede BRAIN-STATE-IN-A-BOX. Las redes monocapa se utilizan típicamente en tareas relacionadas con lo que se conoce como autoasociación; por ejemplo, para regenerar informaciones de entrada que se presenta como incompleta o distorsionada.
  2. Redes multicapa : disponen las neuronas agrupadas en varios niveles. Dado que este tipo de redes disponen de varias capas, las conexiones entre neuronas pueden ser del tipo feedforward (conexión hacia adelante) o del tipo feedback (conexión hacia atrás).

Mecanismo de aprendizaje

El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada. Los cambios que se producen durante la etapa de aprendizaje se reducen a la destrucción (el peso de la conexión toma el valor 0), modificación y creación (el peso de la conexión toma un valor distinto de 0) de conexiones entre las neuronas.
Podemos considerar que el proceso de aprendizaje ha terminado cuando los valores de los pesos permanecen estables
dwj / dt = 0
Uns aspecto importante es determinar los criterios de la regla de aprendizaje; cómo se van a modificar los pesos. De forma general se consideran dos tipos de reglas:
  1. Aprendizaje supervisado
  2. Aprendizaje no supervisado
La diferencia entre ambos tipos estriba en la existencia o no de una agente externo que controle todo el proceso.
Otro criterio para diferenciar las reglas de aprendizaje se basa en considerar si la red puede aprender durante su funcionamiento (aprendizaje ON LINE) o requiere de una fase previa de entrenamiento (aprendizaje OFF LINE). En este último debe existir un conjunto de datos de entrenamiento y un conjunto de datos de test o prueba; igualmente los pesos de las conexiones no se modifican después de terminar la etapa de entrenamiento de la red. En la red ON LINE los pesos varían dinámicamente cada vez que se presente una nueva información al sistema.


Tipo de asociación entre las informaciones de entrada y salida

Las redes neuronales son sistemas que almacenan cierta información aprendida; esta se registra de forma distribuida en los pesos asociados a las conexiones entre neuronas. Hay que establecer cierta relación o asociación entre la información presentada a la red y la salida ofrecida por esta. Es lo que se conoce como memoria asociativa.
Existen dos formas primarias de realizar esta asociación entrada/salida y que generan dos tipos de redes:
  1. Redes heteroasociativas : La red aprende parejas de datos [(A1,B1), (A2,B2),....(An,Bn)], de tal forma que cuando se le presente determinada información de entrada Ai responda con la salida correspondiente Bi. Al asociar informaciones de entrada con diferentes informaciones de salida, precisan al menos de 2 capas, una para captar y retener la información de entrada y otra para mantener la salida con la información asociada. Si esto no fuese así se perdería la información inicial al obtenerse la salida asociada; es necesario mantener la información de entrada puesto que puede ser necesario acceder varias veces a ella, por lo que debe permanecer en la capa de entrada. El aprendizaje de este tipo de redes puede ser con supervisión.
  2. Redes autoasociativas : La red aprende ciertas informaciones A1, A2, .., An de forma que cuando se le presenta una información de entrada realizará una autocorrelación, respondiendo con uno de los datos almacenados, el más parecido al de entrada. Este tipo de redes pueden implementarse con una sola capa de neuronas. El tipo de aprendizaje utilizado habitualmente es el no supervisado y suelen utilizarse en tareas de filtrado de información para la reconstrucción de datos, eliminando distorsiones o ruido, explorar relaciones entre informaciones similares para facilitar la búsqueda por contenido en bases de datos y para resolver problemas de optimización

Representación de la información de entrada y salida

Redes contínuas : En un gran número de redes, tanto los datos de entrada como de salida son de naturaleza analógica (valores reales contínuos y normalmente normalizados, por lo que su valor absoluto será menor que la unidad). En este caso las funciones de activación de las neuronas serán también contínuas, del tipo lineal o sigmoidal.
Redes discretas : Por el contrario, otras redes sólo admiten valores discretos [0,1] a la entrada, generando también en la salida respuestas de tipo binario. La función de activación en este caso es del tipo escalón.


Redes híbridas : La información de entrada es contínua pero a la salida ofrecen información binaria.
Suscribirse a: Entradas (Atom)